LES SYSTEMES ONTOGENETIQUES ET MAGE

En analysant les organismes vivants, on peut constater deux types d’évolutions. Une évolution qui façonne l’organisme de sa naissance à sa mort et une évolution qui tend à différencier les descendants d’un organisme par rapport à ce dernier. Les systèmes biologiques renferment des mécanismes et des processus longuement éprouvés qui leur ont permis de survivre face à un environnement changeant et contraignant. Ce fait a conduit l’être humain à les considérer comme source d’inspiration dans la conception des systèmes artificiels. Ce chapitre s’intéresse aux processus naturels dédiés aux changements et à l’évolution, et présente l’approche Mage qui modélise l’ontogenèse d’un système logiciel sous la forme d’un génome embarqué, dont le rôle consiste à façonner continuellement le système en fonction des changements anticipés et non anticipés. 

Facettes de l’évolution

Il est actuellement communément admis que les organismes biologiques sont façonnés par trois processus ou trois niveaux d’organisation : ontogenèse, épigenèse et phylogenèse. Ces trois processus, connu aussi sous l’appellation du modèle POEtic (appellation issue de Phylogenesis, Ontogenesis et Epigenesis) ont été identifiés dans le cadre du projet  » Reconfigurable POEtic Tissue », lequel projet fut, conduit sous l’égide du programme européen des technologies de la société d’information (European Program of Information Society Technologies) [Mes 06]. Nous présentons dans ce qui suit les trois processus puis nous discutons des métaphores qui en sont issues. 

Ontogenèse

Les organismes vivants ne naissent pas complètement formés tels que nous les voyons. L’organisme commence sa vie en tant que cellule unique, dotée d’un programme de développement codé dans son génome. Ce dernier est continuellement exécuté par la 6 cellule, ce qui conduit à sa division répétée engendrant une multitude de cellules identiques ayant le même programme [Mes 06]. Suite à cela, une forme de communication s’opère entre les cellules permettant à chacune d’exécuter la partie du programme du génome qui correspond à sa position dans l’ensemble. Cette différenciation cellulaire conduit, en fin de compte, à la formation d’organes et donne à l’individu la morphologie et le comportement spécifiques à son espèce. Le processus de développement qui façonne un organisme tout au long de sa vie est appelé ontogenèse. L’ontogenèse est un processus déterministe dont l’exécution est influencée par l’environnement où elle se déroule.

Phylogenèse

Dans une espèce donnée, la reproduction consiste à transmettre le génome d’un ou deux ascendants vers le descendant. Le génome de la première cellule du descendant est obtenu de celui de ces ascendants par mutation et entrecroisement. Etant différent de celui de ces ascendants, le génome contrôle l’ontogenèse et produit un organisme différent des ascendants. Grâce au changement du génome, le descendant acquière de nouvelles propriétés dont dépend sa survie. La mutation et l’entrecroisement produisent progressivement un changement et une évolution de l’espèce d’une génération à l’autre. Cette évolution est appelée phylogenèse. La phylogenèse est un processus non déterministe qui n’a aucun effet sur l’organisme lui‐même mais en a sur l’espèce. La phylogenèse introduit la diversité dans les organismes vivants et elle est importante pour leur survie, leur adaptation continue à l’environnement ainsi que l’apparition de nouvelles espèces. Le processus phylogénétique est basé sur la sélection naturelle qui permet la survie des individus adaptés à leur environnement. Par conséquent, à travers la phylogenèse, l’environnement peut avoir un impact majeur sur l’évolution des espèces [Mes 06].

Epigenèse

Vu que le génome est limité dans la quantité d’informations qu’il peut stocker, et vu que l’altération du génome par l’environnement à travers l’ontogenèse et la phylogenèse est lente et limitée, les organismes complexes sont façonnés par un troisième processus appelé épigenèse. Ce dernier utilise des structures spécifiques (dans l’individu) pour stocker et gérer un nombre important d’interactions avec l’environnement. Le processus épigénétique est supporté par les trois systèmes : le système nerveux, le système endocrinien et le système immunitaire. Les structures utilisées par ces systèmes sont facilement altérables et permettent aux organismes vivants complexes d’apprendre et d’effectuer un traitement symbolique de l’information [Mes 06]. 

Métaphores Biologiques et processus d’Evolution

On entend par métaphore biologique une analogie qu’on cherche à déterminer entre le monde biologique et le monde artificiel, de façon à pouvoir proposer des approches qui imitent certains aspects du premier, tout en en ignorant d’autres. Fondamentalement, les métaphores ne cherchent pas à reproduire ce qui est biologique, mais plutôt à l’interpréter en fonction de ce qu’il est possible et raisonnable de réaliser. De ce fait, on peut déduire que les métaphores biologiques sont évolutives et dépendent de notre compréhension de la réalité et notre aptitude à en extraire des éléments pratiques et bénéfiques. Les tendances actuelles des systèmes bio‐inspirés proposent de nouvelles métaphores biologiques et leur combinaison (i.e. hybridation) pour construire des systèmes exhibant les propriétés désirables comme les comportements émergeants, l’adaptabilité à l’environnement, la cicatrisation, etc. Nous décrivons ci‐après ces processus et les métaphores qui en ont été déduites.   Ontogenèse et métaphores. Le processus de développement qui façonne un organisme tout au long de sa vie est appelé ontogenèse. L’ontogenèse est un processus déterministe dont l’exécution est influence par l’environnement où elle se déroule. Concernant l’ontogenèse, la première tentative d’inspiration fut celle de Von Neumann avec sa machine qui s’auto duplique (self replicating machine). Cette dernière est un automate capable d’effectuer un calcul universel (i.e. équivalent à la machine de Turing) et une construction universelle. Les métaphores courantes tentent de mimer d’autres mécanismes de l’ontogenèse comme la division ou la différentiation cellulaire [Mes 06]. Phylogenèse et métaphores. La métaphore phylogénétique courante est celle des algorithmes génétiques et leurs diverses variantes. D’une manière générale, les algorithmes génétiques imitent la phylogenèse en résolvant des problèmes d’optimisation. Les solutions candidates d’un problème donné sont considérées comme des individus et codées sous forme d’un génome ayant la forme d’une chaîne de symboles abstraits. Les individus dans l’espace des solutions candidates sont ensuite évolués par des opérations de mutation et d’entrecroisement puis sélectionnés d’une génération à l’autre moyennant une fonction d’adaptation (i.e. un critère de qualité donné). Cette procédure itérative continue jusqu’à ce qu’un nombre d’itération soit achevé ou qu’aucune amélioration sensible n’est enregistrée. Malgré la simplicité et la nature aveugle de l’approche, elle a été utilisée avec succès à travers un large éventail d’applications [Mes 06]. Epigenèse et métaphores. Des métaphores de l’épigenèse (système nerveux, système immunitaire et système endocrinien) sont actuellement utilisées. Le système nerveux fût le premier à être étudié et à recevoir un maximum d’attention, ce qui a donné naissance au domaine des réseaux de neurones artificiels. La métaphore des réseaux de neurones 8 artificiels est une tentative à mimer les caractéristiques fondamentales des neurones biologiques. Les réseaux de neurones artificiels peuvent être vus comme des graphes dirigés avec des connections pondérées entre les neurones (i.e. les synapses). La possibilité d’apprendre par des processus d’apprentissage dans le contexte des réseaux de neurones artificiels est vue comme un problème d’ajustement de l’architecture du réseau et des poids des connexions, de telle sorte à ce que le réseau puisse effectuer une tâche spécifiques de façon performante. Les réseaux de neurones artificiels sont convenables pour les problèmes où la compréhension est limitée ou incomplète et où existe une abondance de données. C’est le cas typique du problème de reconnaissance de formes. Le succès des réseaux de neurones artificiels est comparable à celui des algorithmes génétiques ; toutefois leur domaine d’application est relativement limité [Mes 06].