Résumé : Cet article présente un examen de la théorie et des applications des réseaux cellulaires non

linéaires à memristor. En faisant correspondre les processus physiques au cadre memristif, tous les
dispositifs de commutation résistifs peuvent être modélisés. L’idée est de trouver une variable d’état
qui présente avec une grande précision les caractéristiques importantes du système, sa dynamique et
son évolution temporelle en réponse aux entrées du memristor. Afin de développer une nouvelle
conception de réseaux cellulaires non linéaires à base de memristors (MCNN), de nouveaux modèles
circulatoires et mathématiques de memristors doivent être introduits. De cette manière, la mise en
œuvre dans de nouveaux progiciels pour la réalisation de circuits intégrés assistée par ordinateur
peut être réalisée. Un autre défi consiste à étudier le comportement complexe des modèles MCNN au
moyen de la théorie de l’activité locale et de la généraliser pour différents cas de test. Une application
de la mise en œuvre matérielle de ces modèles peut être trouvée dans les nanostructures.

1. Introduction Les ordinateurs classiques ont la propriété unique d'être algorithmiquement

programmables, ce qui a été inventé par J. von Neumann et signifie qu'ils utilisent
principalement la logique binaire et l'arithmétique sur des données à valeur discrète (codes
binaires). On sait que la machine de Turing est basée sur le concept mathématique d'une
machine universelle dans laquelle les neurones fonctionnent comme une logique de seuil, en
utilisant la structure principale du cerveau. En 1948, les transistors ont été inventés, ainsi que
les circuits intégrés en 1960, ce qui a fait de l'architecture informatique un produit très
pratique, bon marché et omniprésent. Peu de temps après, cependant, on a découvert que
les neurones fonctionnaient différemment. Comme, à cette époque, l'industrie électronique
s'est développée en utilisant un très grand nombre de transistors, une taille nanométrique et
de nombreux pixels, de nouvelles caractéristiques des ordinateurs modernes sont apparues
[1] : des processeurs parallèles utilisant la structure bidimensionnelle du silicium et la
technologie optique ; des structures cellulaires bidimensionnelles associées à une taille
inférieure à 100 nm, ce qui limite la dissipation d'énergie et la longueur des fils ; des millions
de signaux sensoriels analogiques, organisés en réseaux et intégrés dans des dispositifs
informatiques sensoriels ; des flux d'images, tels que les flux visuels et tactiles multi-
spectraux, devenant des données typiques ; l'apparition d'interfaces bioniques, qui ont
permis d'imiter des organismes vivants complexes, tels que des prothèses musculaires ou
rétiniennes ; des dispositifs spatiotemporels, qui ont permis de produire une grande
complexité dans le temps et l'espace ; des systèmes logiciels avec des grilles de haute
performance et des communications mobiles avec des interfaces normalisées. Aujourd'hui,
on trouve de plus en plus de processeurs de capteurs à rétine programmables
 dynamiquement, disposés en réseaux fixes ou sur des plates-formes compactes. C'est
pourquoi une nouvelle architecture est nécessaire pour développer des logiciels de contrôle
et de traitement spatiotemporels. L'invention des réseaux cellulaires non linéaires (CNN) [1]
rend tout cela possible.

Les CNN sont constitués de cellules [1] reliées entre elles par de petits voisinages. Voici l'algorithme
de construction de la dynamique cellulaire programmable du CNN par instruction élémentaire :

(a) prendre un système dynamique ; appelons-le cellule (avec entrée u, état x et sortie y) ;
(b) placer les cellules dans la grille spatiale avec leurs relations de voisinage ;
(c) traiter les interactions spatiales entre les cellules dynamiques, programmables (appelées
modèle ou gène de clonage, ou simplement modèle) ;
(d) ajouter les capteurs cellulaires pour l'application du CNN dans le traitement d'images.

Dans cette étude, nous présenterons la théorie et les applications des réseaux cellulaires non
linéaires (MCNN) à base de memristors pour la formation de modèles. Les dispositifs à memristors
peuvent être intégrés dans l'architecture CNN [2] de manière standard en incorporant leur
dynamique dans l'équation d'état de la cellule CNN. Nous pouvons supposer que les valeurs des
paramètres par défaut des modèles de memristor sont obtenues par l'analyse de différents
phénomènes de transport de charges. Dans les études des modèles de memristor [3,4], une
résistance standard du sous-circuit RC est remplacée par un memristor. Cependant, dans ce cas,
l'analyse bien connue du tracé du point de conduite interne [3], qui est appliquée pour la dérivation
de la plupart des modèles de CNN standard, ne peut pas être prise en compte. C'est pourquoi les
cellules de second ordre sont réalisées en tenant compte des memristors de premier ordre.
L'application des techniques de la théorie de la dynamique non linéaire [5] dans une étude complète
des équations d'état des cellules permet une caractérisation complète du comportement dynamique
des MCNN. Plusieurs topologies de cellules peuvent être obtenues en prenant en compte différents
dispositifs de memristors. Les études préliminaires [4] ont montré que de nouveaux algorithmes de
traitement de l'information CNN avec une efficacité de calcul nettement améliorée peuvent être
dérivés pour les réseaux de memristors non volatiles. La variabilité des éléments du circuit, en
particulier celle des memristors, peut être modélisée par des valeurs aléatoires normales et peut être
prise en compte dans les simulations de cellules de memristors pour déterminer les intervalles de
variation admissibles garantissant l'activité locale dans les cellules CNN. Par conséquent, si la
variabilité entraîne un comportement cellulaire localement passif, de nouvelles topologies cellulaires
peuvent être dérivées afin d'assurer l'émergence de la complexité. La véritable origine de la
complexité émergente dans les nanostructures nécessite une nouvelle généralisation beaucoup plus
profonde de l'activité locale [6]. Les nombreux phénomènes complexes unifiés sous ce principe
mathématiquement précis comprennent l'auto-organisation, les structures dissipatives, la synergie,
l'ordre à partir du désordre, l'éloignement de l'équilibre thermodynamique, le comportement
collectif, la limite du chaos, etc. À la suite des travaux de Leon Chua [6], dans lesquels la théorie de
l'activité locale est appliquée aux CNN à réaction-diffusion, il n'existe qu'un petit nombre d'articles
sur la généralisation de cette méthode à une classe plus large de CNN. Malgré l'augmentation
impressionnante du nombre d'articles sur les memristors [7-38], il existe peu de résultats sur les
réseaux de dispositifs memristifs. Les CNN à l'échelle nanométrique ont été pris en compte dans les
recherches portant sur les problèmes de traitement d'images [1]. Jusqu'à présent, les CNN à l'échelle
nanométrique ont été étudiés par le biais d'intégrations numériques. Aucun résultat analytique n'a
été obtenu à ce jour. Cet article de synthèse est organisé comme suit. Dans la section 2, nous
présentons les définitions de base des memristors, ainsi qu'un aperçu de leurs recherches. Dans cette
section, nous donnons quelques équations de base concernant la dynamique des memristors. Dans la
section 3, nous passons en revue les recherches sur les CNN. En raison des applications des CNN pour
la génération de motifs, qui seront discutées ultérieurement, nous considérerons le modèle CNN de
réaction-diffusion. La section 4 présente la théorie de l'activité locale et ses applications dans l'étude
de la dynamique des systèmes de réaction-diffusion. Dans la section 5, nous considérons un modèle
de réseaux cellulaires non linéaires à memristor à réaction-diffusion, et nous étudierons sa
dynamique en appliquant la théorie de l'activité locale. L'une des applications possibles des MCNN
est la formation de modèles. C'est pourquoi la section 6 présente un bref aperçu de la génération de
modèles dans les réseaux cellulaires non linéaires à réaction-diffusion. Les principaux types de
modèles apparaissant dans l'étude des modèles MCNN seront présentés.

2. Memristors Définitions de base Les memristors ont été introduits par Leon Chua dans [7] et,
depuis lors, ils sont devenus un élément émergent important pour les applications de
mémoire et d’informatique neuromorphique (voir la figure 1). De nouveaux matériaux et
technologies pour ces nanostructures [12] ont été découverts et développés pour l’industrie.
De nombreux modèles mathématiques de mise en mouvement des micristors ont été
présentés [13], qui reproduisent la dynamique complexe des dispositifs nanométriques. Pour
l’étude de la dynamique non linéaire [1] des circuits à base de micristors [14,15], il est
important de disposer de modèles précis, généraux et simples afin de développer de
nouvelles architectures matérielles hybrides [16]. De cette manière, le stockage de la
mémoire et le traitement des données sont combinés dans une même localisation physique,
ce qui permet d’expliquer le comportement des systèmes biologiques. Plusieurs modèles
physiques ont été obtenus [17-21] qui permettent d’étudier les phénomènes caractérisant les
nanodispositifs. Dans [19], certains modèles mathématiques de micromoteurs ont été
présentés. En appliquant des méthodes mathématiques, le comportement dynamique de
différents modèles MCNN a été étudié [31,32,34,35,39]. Le premier modèle de nanostructure
à base de dioxyde de titane a été présenté par Williams dans [20]. Il s’agit d’un modèle simple
dans lequel les conditions limites de l’équation de l’état ne sont pas spécifiées. Des modèles
plus complexes sont apparus par la suite, dans lesquels les effets linéaires sur le transport
ionique et la définition du comportement aux limites sont pris en compte. Par exemple, le
modèle proposé par Joglekar dans [21] n’autorise que des caractéristiques de flux d’état à
valeur unique sous une entrée périodique à variation négligeable. Dans le modèle de Biolek
[22], seules les caractéristiques de flux d’état à valeurs multiples sont considérées avec le
même type d’excitation. Dans [23], une comparaison du comportement dynamique des
circuits de résistances à l’oxyde de titane selon différents modèles de limites, tels que le
modèleBCM [12], est fournie. Tous ces circuits non linéaires sont toujours sensibles à la
précision de la modélisation. En outre, dans [20-22], des modèles de memristors basés sur
d’autres matériaux, tels que le tantale et le dioxyde de niobium, sont développés. Dans des
recherches récentes, des solutions numériques pour les équations d’algèbre différentielle
linéaires fortes apparaissent, telles que la simulationSPICE
(SimulationProgrammwithIntegratedCircuitEmphasis)[2].

Figure 1 – Représentation de la mémoire : quatre éléments sont donnés : résistance,

condensateur, inductance et mémoire, avec les représentations du circuit
(https://www.britannica.com/technology/memristor). Afin de compléter ce document
d’analyse, nous introduirons la dynamique de la mémoire [7,14]. Afin de compléter cet article
de synthèse, nous allons présenter la dynamique des micristors [7,14]. Les micristors sont
inventés comme des systèmes de ports électriques de masse, avec une dépendance des
propriétés de conduction à l’égard de certaines variables de port (courant ou tension).
Notons, parϕ(t), la mémoire de la tension du portv(t) par ϕ(t)= t -∞ v(τ)dτ.

Dans la littérature, on parle de momentum ou de flux de tension [7]. Nous désignerons par
q(t) la mémoire du courant de port i(t) t q(t) = -∞ i(τ)dτ (2) ou la quantité de mouvement du
courant, qui correspond physiquement à la charge ; i est le courant. Dans [7], le memristor
idéal est introduit comme un bipôle dont la relation constitutive est donnée par une équation
algébrique : F(ϕ(t), q(t)) = 0 Voici les expressions analytiques pour un memristor idéal
 contrôlé par le flux et un memristor idéal contrôlé par la charge : q(t) = f(ϕ(t)) ϕ(t) = g(q(t))
(3) (4) Les équations (3) et (4) décrivent le comportement idéal de ces deux principales
classes de systèmes memristifs. Considérons la classe à contrôle de flux (3) ; on peut alors
obtenir l’expression courant-tension (i – v) au moyen des dérivées du flux-charge (ϕ – q) par
rapport au temps dq dt = df dϕ dϕ dt Dans (5), on voit que i = dq dt est le courant à travers le
bipôle, et v = dϕ (5) dt est la tension à ses bornes ; on peut donc la réécrire comme suit : i(t) =
G(ϕ(t))v(t) où G(ϕ) est la memductance du memristor idéal contrôlé par le flux. (6) Si nous
voulons étudier la dynamique d’un circuit plus large composé de memristors idéaux, il n’est
pas important que la condition initiale de la variable d’état du memristor soit explicitement
présentée dans le domaine (i – v). La définition mathématique formelle du memristor, ainsi
que ses propriétés théoriques de circuit, sont données dans [7]. En général, le memristor
peut être décrit par le système [7] : v = R(x,i)i dx dt = f(x,i) (7) (8) où la tension aux bornes du
memristor est désignée par v, le courant du memristor est désigné par i, la variable d’état est
x = (x1, x2, --- , xn), qui dépend de tensions ou de courants externes, et la memristance est
R(x,i) ; f(x,i) est une fonction réelle. Comme indiqué au début de cette section, différents
modèles de memristors ont été proposés dans la littérature. La relation tension v-courant i
exprimée par (7) se retrouve dans de nombreux modèles dans lesquels la forme d’onde de
commande est sous forme de courant. Lorsque la memristance est présentée comme la série
entre deux résistances variables, qui sont associées aux couches isolante et conductrice du
nanofilm, l’état du système est donné sous la forme x = w D ∈ [0, 1]. Ici, w est la largeur de la
couche conductrice, normalisée par rapport à la longueur totale, D, du dispositif. Le modèle
de dérive linéaire, introduit par Williams dans [20], avec la dérivée temporelle de l’état
proportionnelle à la forme d’onde d’entrée sous forme de courant, est considéré dans
l’hypothèse de champs électriques faibles. Il ne prend pas en compte le comportement de la
frontière, alors que les modèles de dérive non linéaire de [10,11] ont le taux de changement
de l’état proportionnel au produit entre la forme d’onde d’entrée sous une forme courante et
une fonction de fenêtre, tenant compte du comportement dynamique non linéaire. Des
conditions aux limites appropriées lui sont imposées.

3. Réseaux cellulaires non linéaires

Les réseaux cellulaires non linéaires (CNN) ont été inventés par L. Chua et L. Yang dans leurs
articles [1,40] et constituent une nouvelle classe de systèmes qui traitent les informations en
temps réel. Peu après, les réseaux non linéaires cellulaires ont montré des applications très
prometteuses et importantes [41-43]. Les CNN copient certaines propriétés de la
neurobiologie et sont organisés en circuits intégrés (voir figure 2). La structure spatiale des
CNN est constituée de systèmes dynamiques simples, appelés cellules. Les équations d’état
des CNN sont décrites par des systèmes dynamiques qui présentent la loi dynamique locale.
Les CNN ont été inventés par L. Chua et L. Yang dans leurs articles [1,40] et ont formé une
nouvelle classe de systèmes qui traitent les informations en temps réel. Peu après, les CNN
ont montré des applications très prometteuses et importantes [41-43]. Les CNN copient
certaines propriétés de la neurobiologie et sont organisés en circuits intégrés (voir figure 2).
La structure spatiale des CNN est constituée de systèmes dynamiques simples, appelés
cellules. Les équations d’état des CNN sont décrites par des systèmes dynamiques qui
présentent la loi dynamique locale, la loi de couplage entre les cellules. En outre, il existe
certaines conditions initiales et limites. Habituellement, le couplage des cellules est considéré
dans le cadre du voisinage local de chaque cellule. La dynamique du CNN est non linéaire, car
elle est décrite par des équations différentielles ordinaires non linéaires. Par conséquent, les
CNN [42,44] ont une représentation très compacte, donnée par un système d’équations
différentielles ordinaires couplées. Néanmoins, les CNN peuvent présenter un comportement
dynamique très complexe, tel que le chaos, l’auto-organisation et la formation de motifs. En
outre, des oscillations non linéaires et la propagation d’ondes peuvent apparaître. Les CNN de
réaction-diffusion [40,45-47] ont été étudiés et appliqués à la modélisation de différents
phénomènes complexes [48-53]. De cette manière, de nouvelles approches pour le
traitement de l’information sont développées [2,31-33,35,47,51,54] à travers la dynamique
de systèmes non linéaires complexes. La loi de couplage entre les cellules. En outre, il existe
certaines conditions initiales et limites. Habituellement, le couplage des cellules est considéré
dans le cadre du voisinage local de chaque cellule. La dynamique du CNN est non linéaire, car
elle est décrite par des équations différentielles ordinaires non linéaires. Par conséquent, les
CNN [42,44] ont une représentation très compacte, donnée par un système d’équations
différentielles ordinaires couplées. Néanmoins, les CNN peuvent présenter un comportement
dynamique très complexe, tel que le chaos, l’auto-organisation et la formation de motifs. En
outre, des oscillations non linéaires et la propagation d’ondes peuvent apparaître. Les CNN de
réaction-diffusion [40,45-47] ont été étudiés et appliqués à la modélisation de différents
phénomènes complexes [48-53]. De cette manière, de nouvelles approches pour le
traitement de l’information sont développées [2,31-33,35,47,51,54] par le biais de la
dynamique des systèmes non linéaires complexes.

Figure 2. Architecture du CNN : (a) interactions spatiales ; (b) mise en œuvre du circuit ; (c)
sortie. La machine universelle CNN (CNN-UM) a été inventée par T. Roska pour un seul CNN
avec une mémoire locale et logique [41,50,55]. Il y a quelque temps, une implémentation
matérielle analogique de la CNN-UM a également été mise au point. Cette puce comprend un
ordinateur parallèle avec une programmabilité stockée, ce qui permet le traitement en temps
réel de données multivariées. Les applications du CNN dans le traitement des images et la
reconnaissance des formes sont présentées dans [41,56]. Les systèmes développés, tels que
le système EyeRis 1.3, le MIPA4k et le SCAMP-5, sont principalement des systèmes capteur-
processeur pour la vision à grande vitesse, avec des taux de plus de 20 kHz. La machine
universelle CNN (CNN-UM) a été inventée par T. Roska pour un seul CNN avec une mémoire
locale et logique [41,50,55]. Il y a quelque temps, une mise en œuvre matérielle analogique
de la puce CNN-UM a également été développée. Cette puce comprend un ordinateur
parallèle avec une programmabilité stockée, ce qui permet le traitement en temps réel de
données multivariées. Les applications du CNN dans le traitement des images et la
reconnaissance des formes sont présentées dans [41,56]. Les systèmes développés, tels que
le système EyeRis 1.3, le MIPA4k et le SCAMP-5, sont principalement des systèmes capteur-
processeur pour la vision à grande vitesse, avec des taux de plus de 20 kHz. Cependant, ils
ont une faible résolution, par exemple 176X144 pixels dans le système EyeRis 1.3, ce qui
limite leur application dans la pratique. Dans la future réalisation de la puce CNN-UM, des
nano-éléments pourront être mis en œuvre à la place de la technologie CMOS
conventionnelle, qui a une grande taille de cellule. Dans ce sens, les memristors [7] avec les
connexions synaptiques dans la première réalisation [20] joueront un rôle très important. I

Les systèmes capteur-processeur. Cela est dû au fait qu’ils ont un comportement dynamique
complexe. Pour les systèmes de capteurs-processeurs CNN-UM. Ceci est dû au fait qu’ils ont
un comportement dynamique complexe. Pour le développement de méthodes de calcul
basées sur le CNN, il est important de déterminer l’espace des paramètres du CNN memristor
[57,58]. Pour le développement de méthodes de calcul basées sur le CNN, il est important de
déterminer l’espace des paramètres du CNN memristor [57,58]. Pour mettre en œuvre un
ordinateur sensoriel topographique, nous utilisons les principes de la physique ou de la
biologie. En optique, la corrélation spatiale est appliquée à la vitesse de la lumière. Pour la
construction du POAC [50] – ordinateur CNN analogique optoélectronique programmable – le
système de plan focal 4 f utilisant deux lentilles et une valeur lumineuse programmable est
mis en œuvre avec une transmissivité lumineuse programmable dans chaque pixel. La
réalisation de l’ordinateur portable POAC est illustrée à la figure 3, dans laquelle deux lasers
différents (rouge et vert) sont utilisés ensemble Pour mettre en œuvre un ordinateur
sensoriel topographique, nous utilisons les principes de la physique ou de la biologie. En
optique, la corrélation spatiale est appliquée à la vitesse de la lumière. Pour la construction
du POAC [50] – ordinateur CNN analogique optoélectronique programmable – le système de
plan focal 4 f utilisant deux lentilles et une valeur lumineuse programmable est mis en œuvre
avec une transmissivité lumineuse programmable dans chaque pixel. La réalisation de
l’ordinateur portable POAC est illustrée à la figure 3, dans laquelle deux lasers différents
(rouge et vert) sont utilisés avec une matrice de mémoire analogique locale. Les modèles
sont suffisamment grands. Dans cette mise en œuvre, les fonctions du nanodispositif sont
introduites et définies. De cette manière, nous pouvons produire un réseau qui est
localement actif, tout en ayant quelques lignes globales éparses au moyen d’une
interconnexion optique. Avec un réseau de mémoire analogique local. Les modèles sont
suffisamment grands. Dans cette implémentation, les fonctions du nanodispositif sont
introduites et définies. De cette manière, nous pouvons produire un réseau qui est
localement actif, tout en ayant quelques lignes globales éparses au moyen d’une
interconnexion optique. Figure 3. Ordinateur POAC [59]. L’image montre une version
matérielle pour ordinateur portable de l’ordinateur à réseau analogique optique
programmable (POAC), qui offre une vitesse de calcul élevée et une Figure 3. Ordinateur
POAC [59]. L’image montre une version matérielle pour ordinateur portable de l’ordinateur à
réseau analogique optique programmable (POAC), qui offre une vitesse de calcul élevée et un
parallélisme complet, avec un grand réseau d’entrée et une taille de réseau modèle.
Parallélisme, avec un grand réseau d’entrée et une taille de réseau modèle. Une telle
architecture cellulaire sera appliquée dans de nombreux nano-systèmes, conjointement avec
l’environnement, par le biais de l’action, de la communication et de la détection. Une telle
architecture cellulaire sera appliquée dans de nombreux nano-systèmes, ainsi que dans
l’environnement, par le biais de l’action, de la communication et de la détection. Il est
préférable d’utiliser certaines fonctions du nanodispositif qui sont définies par sa disposition.
Dans le cas d’une activité locale, nous pouvons créer un réseau et produire une interaction
locale à l’aide de lignes globales ou semi-globales éparses. Cela peut être obtenu par
rayonnement ou par interconnexions optiques. Les nanodispositifs qui sont définis par leur
disposition. Dans le cas où il est localement actif, nous pouvons faire un réseau et produire
une interaction locale en utilisant quelques lignes globales ou semi-globales éparses. Ces
lignes peuvent être obtenues par rayonnement ou par interconnexions optiques. Considérons
l’architecture CNN suivante : une grille bidimensionnelle avec un système de voisinage 3 × 3,
comme le montre la figure 4. Les cellules sont représentées par des carrés et le couplage par
des lignes droites. Un voisinage possible d’une cellule (en rouge) est représenté par les carrés
bleus et les lignes droites vertes, de sorte que la cellule rouge a neuf voisins possibles [1]
Figure 4. Illustration de la structure de couplage du CNN. Les cellules sont désignées par C(i,j),
et les liens entre les cellules montrent les interactions entre chaque cellule et ses cellules
voisines. La dynamique de la cellule est présentée par des systèmes dynamiques non
linéaires. Les interactions entre les cellules sont linéaires. En ce sens, on peut considérer les
CNN comme des systèmes non linéaires avec une dynamique spatiale linéaire [44]. C’est
pourquoi de nombreuses techniques de physique et d’ingénierie peuvent être appliquées à
l’étude de la dynamique des CNN. La dynamique du CNN est décrite mathématiquement
dans [1] par ses équations d’état qui sont obtenues en appliquant la loi de Kirchhoff à la mise
en œuvre du circuit du CNN donné dans la figure 2b :  ?і ? ?= -  ?і ? ?+∑  ?
à ?ї, ?љ  ? ? ?∈?џ( ? ? ( ?ј ? ?, ?і ? ?)+ ∑  ?ýі ? ?љ( ?
ј ? ?і ?)+ ?і ?  ? ? ?∈?џ( ? ?  ?і ? ?= ? ?і ?, 1≤ ?ɤ ?
1≤ ?ɤ ?  ?і ? ?і ?et  ?і ? sont les tensions d’état, de sortie et d’entrée d’une
cellule  ? ? ? et ( désigne un point de grille associé à une cellule sur la grille
bidimensionnelle ;  ? ? ?∈?џ( ? ? est un point de grille (cellule) dans le voisinage
dans un rayon,  ? de la cellule  ? ? ? ;  ?і ? est une source de courant
indépendante.  ?àet  ?àsont des modèles de clonage non linéaires, qui spécifient les
interactions entre chaque cellule et toutes ses cellules voisines en termes de variables
d’entrée, d’état et de sortie. Les CNN à réaction-diffusion sont généralement décrits par les
équations d’état dans lesquelles l’opérateur de Laplace est approximé par une loi synaptique
CNN avec un modèle approprié : - un modèle laplacien discrétisé unidimensionnel :  ? 1,-
2,1) ; - un modèle laplacien discrétisé bidimensionnel :  ? 1,-2,1) ; - un modèle laplacien
discrétisé unidimensionnel :  ? 1,-2,1).

Comme indiqué précédemment, l’application la plus importante du CNN est le traitement

d’images [50]. Dans le cas unidimensionnel, il existe deux modes de propagation de
l’information dans le réseau : la propagation globale ou la diffusion locale, ce qui signifie que
deux cellules distantes s’influencent ou non l’une l’autre et déterminent la plage
correspondante des paramètres de couplage. La fonction de base du CNN pour le traitement
d’images est de cartographier ou de transformer une image d’entrée en une image de sortie
correspondante. Cela signifie que notre CNN doit toujours converger vers un état stable
constant. Comment pouvons-nous garantir la convergence du CNN ? De nombreuses études
ont été consacrées à la recherche des conditions garantissant que chaque trajectoire du
réseau converge vers un point d’équilibre, en fonction des conditions initiales
[41,42,48,49,55]. Notre objectif dans cette revue est de considérer les MCNN et leur
dynamique, qui sera présentée dans la section 5, dans laquelle les MCNN à réaction-diffusion
seront étudiées. Sachant qu’il existe de nombreux travaux sur la théorie des MCNN, nous
nous contenterons de donner un exemple d'étude mathématique basée sur la théorie de
l’activité locale. 4. Théorie de l’activité locale Les phénomènes de complexité ont été étudiés
par de nombreux scientifiques, de même que l’émergence, l’auto-organisation, la synergie, le
comportement collectif, les phénomènes de non-équilibre, etc. [43,56]. Dans la littérature,
seuls des résultats qualitatifs de différents exemples provenant de nombreux domaines sont
fournis. Il y a un manque de résultats quantitatifs concernant le comportement complexe des
systèmes. Dans ses travaux, Schrödinger a présenté les conditions nécessaires à la complexité
de l’échange d’énergie des systèmes ouverts. Prigogine [60] a introduit un nouveau principe
de la nature, qu’il a appelé l’instabilité de l’homogène. Comme origine de la morphogenèse,
Turing a proposé la rupture de symétrie dans [61]. Afin de faire osciller le système
d’interaction de Turing, Smale [62] a essayé de trouver les propriétés axiomatiques d’un
système de réaction-diffusion. Dans [6,43,56], des preuves mathématiques de la complexité
sont présentées afin de montrer qu’aucun des comportements complexes émergents dans le
système de réaction-diffusion ne peut être expliqué sans l’introduction d’une activité locale. Il
s’agit d’une méthode analytique constructive pour la détermination du bord de la région de
chaos [6]. Si nous déterminons le domaine des paramètres cellulaires des cellules localement
actives, celles-ci sont potentiellement capables de présenter de la complexité. Des critères
mathématiques rigoureux permettent d’expliquer l’émergence et la complexité, ce qui est
l’objectif principal de la théorie de l’activité locale et du phénomène de la limite du chaos. Les
équations cinétiques obtenues pour les cellules localement actives peuvent présenter une
dynamique complexe, par exemple des cycles limites ou le chaos, même si les cellules ne sont
pas couplées entre elles. Pour ce faire, tous les coefficients de diffusion sont égaux à zéro.
Lorsque les cellules sont couplées, des phénomènes spatio-temporels complexes peuvent
être observés, par exemple des vagues de défilement et un chaos spatio-temporel [6,56]. Des
inégalités mathématiques explicites sont dérivées afin d’identifier la limite de la région
chaotique dans l’espace des paramètres du CNN. Si l’espace des paramètres de la cellule se
situe dans le domaine de l’activité locale, le temps de calcul des algorithmes de recherche de
paramètres peut être réduit [43,56]. Pour différents modèles CNN, la limite du domaine du
chaos est obtenue dans les études. Dans [47,54], les modèles CNN de réaction-diffusion sont
pris en compte et le domaine des paramètres cellulaires pour les cellules localement actives
est obtenu, dans lequel ils peuvent faire preuve de complexité. 5. Réseaux cellulaires non
linéaires à memristor et leur dynamique Différents modèles de nanostructures memristives
ont été étudiés [2,12,23,27-29,36,37,42]. Les recherches sur la mise en œuvre des
memristors dans la conception de circuits intégrés incluent certaines des règles
d’apprentissage les plus courantes basées sur les fonctions cérébrales. Des modèles
mathématiques optimisés ont été élaborés pour capturer la dynamique lorsque les
paramètres du modèle de Pickett sont ajustés aux données expérimentales. Dans [30], un
modèle polynomial (PM) pour un dispositif de mémoire à base de dioxyde de niobium a été
introduit. Dans ce modèle, la memductance et la fonction d’évolution de l’état sont
représentées par un polynôme suivant le théorème de dépliage [25]. Les coefficients de la
série polynomiale doivent être ajustés au modèle de référence sur la base du circuit et de
l’excitation donnés.

1 9 sur 19 Nous allons intégrer la dynamique du memristor de (7) et (8) dans un modèle
général de réaction-diffusion. L'équation de réaction-diffusion (RD) bien connue est ∂u ∂t =
g(u)+D∇2u, où u ∈ Rn, g ∈ Rn, Disamatrixavec des coefficients de diffusion et ∇2 est
l'opérateur laplacien dans R2. Au lieu de résistances pour la diffusion dans les intégrateurs
analogiques à grande échelle (LSI) de RD, nous introduirons des memristors. Laissons u(x)
être représenté par des tensions sur le matériel RD-CNN ; les termes de diffusion dans le
modèle RD sont alors représentés par des résistances linéaires. Nous discrétiserons le
laplacien ∇2 comme ∇2u(x) = ui-1 +ui+1 -2ui ∆x2 où ∆x est le pas discret dans l'espace. En
général, nous considérerons le système RD décrit par : ∂ u(x) ∂ t =gu∇2u(x)+ fu(u(x), v(x)) ∂
v(x) ∂ t =gv ∇2u(x)+ fv(u(x), v(x)) où gu,v sont les coefficients de diffusion, et fu,v(.) sont les
fonctions des états pour le modèle de réaction. Dans le système RD, u(x) et v(x) sont
représentés par des tensions sur le matériel RD, et le gradient est représenté par des
résistances linéaires. Nous appliquons ci-dessous une discrétisation spatiale
unidimensionnelle. Nous discrétisons spatialement la première équation du système RD de la
manière suivante : d uj(t) dt = gu uj-1-uj +gu uj+1-uj ∆x2 +fu(.), (10) où, parj, l'indice spatial
est indiqué, ∆x est le pas discret dans l'espace, les termes gu uj-1 - uj et gu uj+1 -uj
représentent, respectivement, le courant entrant dans le jème nœud à partir des (j - 1)ème et
(j +1)ème nœuds par l'intermédiaire de deux résistances dont la conductance est représentée
par gu. Nous introduisons ici le modèle du memristor, dans lequel les résistances sont
remplacées par des memristors. La dynamique ponctuelle résultante est donnée par d uj d t =
gu wl j uj-1 -uj +gu wr j uj+1-uj ∆x2 +fu(.), où gu(.) désigne la fonction monotone croissante
définie par : gu(wl,r j ) = gmin+(gmax - gmin) 1 1 +e-βwl,r j , (11) où β désigne le gain, gmin et
gmax désignent les forces de couplage minimale et maximale, respectivement, et wl,r j
désigne les variables permettant de déterminer la force de couplage (l-gauche, r-droite).
Enfin, nous introduisons la dynamique memristive suivante pour wl,r j : dwl,r τ j dt = gu(wl,r
j ).η1.(uj-1 - uj), (12) où le côté droit représente le courant des memristors, et η1 représente
le coefficient de polarité-η1 = +1 : wl j , η1 = -1 : wr j

A titre d’exemple, nous considérerons le modèle CNN d’Oregonator [9] : duij  ?ѣ ?ї  ?ѡ
= ? ? ?і ?+ ?і ?- ?і ?=  ?( ?і ? ?і ? ?і ? dt = D1A2∗uij 1-uij -
avij uij-b b+uij = G1 uij,vij dvij (13) Selon la théorie ci-dessus, nous allons incorporer la
dynamique des memristors dans le modèle CNN d’Oregonator de la manière suivante : (13)
dt = D2A2∗vij +uij -vij = G2 uij,vij  ?Ѣ ?ї  ?ѡ Selon la théorie ci-dessus, nous allons
incorporer la dynamique des memristors dans le = ?( ?і ? ? ? ?   ?і ?1 –
 ?і ? –  ?ѣ ?ї  ?і ?Ȓ ?Oregonator CNN modèle de la manière suivante : duij  ?
ѣ ?ї  ?ѡ dt = D1(wl,r ij )A2  uij 1- uij – avij uij-b  ? ?і ?= ?( ?і ? ?і ?
= ?( ?і ? ? ? ?   ?і ?+  ?і ?-  ?і ?=  ?( ?і ? ?і ? b+uij =
G1 uij,vij dvij dt = D2(wl,r ij )A2 ∗ vij + uij – vij = G2 uij,vij (14) Nous présentons le modèle
Oregonator, ci-dessus, car nous allons étudier un nouveau milieu excitable de type
réaction(14) Nous présentons le modèle Oregonator, ci-dessus, car nous allons étudier un
nouveau milieu excitable de type réaction-diffusion. L’Oregonator décrit le modèle de
réaction chimique cinétique de la morphogenèse. Milieu excitable de type diffusion.
L’Oregonator décrit le modèle de réaction chimique cinétique de la morphogenèse. Nous
appliquons un algorithme constructif pour la détermination de la région localement active
Nous appliquons un algorithme constructif pour la détermination de la région localement
active et de la limite du chaos dans notre modèle [6]. Tout d’abord, nous trouvons les points
d’équilibre de (14), c’est-à-dire  ?( ?і ?  ?і ? = 0 et  ?( ?і ? ?і ? = 0.
Nous obtenons trois points d’équilibre :  ? = (0,0), ? = ( ?  ? et  ? = (-b,-b). Ensuite,
nous trouvons les quatre coefficients de la cellule :  ?1, ?2, ?1 et  ?2. La région
localement active pour chaque point d’équilibre peut être définie comme suit : et la limite du
chaos dans notre modèle [6]. Tout d’abord, nous trouvons les points d’équilibre de (14), c’est-
à-dire G1 uij, vij = 0 et G2 uij,vij = 0. Nous obtenons trois points d’équilibre : E1 = (0,0), E2 =
(b,b), et E3 = (-b,-b). Ensuite, nous trouvons les quatre coefficients de la cellule : a11, a12, a21
et a22. La région localement active pour chaque point d’équilibre peut être définie comme
suit : LAR( ?ѝ) :  ?2 > 0, ?џ 4 ?1 ?2 < ( ?2 +  ?1)2 LAR(Ep) : a22 > 0, ou 4a11a22 <
(a12 +a21)2 Une condition de stabilité supplémentaire dans ce cas est : Une condition de
stabilité supplémentaire dans ce cas est :  ?џ( ?ѝ) < 0 et  ? ?ѝ) >0. >0. Tr(Ep < 0et DEp
Après avoir vérifié les conditions ci-dessus, nous obtenons les résultats suivants : Au point
d’équilibre  ? = (0,0), nous avons une région stable et localement active ; aux points
d’équilibre  ? = ( ? ?,and ? =(-b,-b), nous obtenons des régions instables. La simulation
de l’analyse ci-dessus est présentée dans la figure 5 ci-dessous : Après avoir vérifié les
conditions ci-dessus, nous obtenons les résultats suivants : Au point d’équilibre E1 = (0,0),
nous avons une région stable et localement active ; aux points d’équilibre E2 = (b,b), et E3 = (-
b,-b), nous obtenons des régions instables. La simulation de l’analyse ci-dessus est présentée
dans la figure 5 ci-dessous :Figure 5. Diagrammes de bifurcation du modèle Oregonator pour
différents ensembles de paramètres cellulaires. Le bord de la région chaotique est représenté
en rouge, la région localement active et instable est représentée en vert, et la Figure 5.
Diagrammes de bifurcation du modèle Oregonator pour différents ensembles de paramètres
cellulaires. Le bord de la région chaotique est représenté en rouge, la région localement
active et instable est représentée en vert, et la région localement passive est représentée en
bleu. Dans le domaine codé en jaune, aucun point d’équilibre e

1 11 de 19 Voici quelques commentaires sur les résultats obtenus dans la figure 5 : Pour les
simulations numériques, nous devrions disposer d’informations sur le comportement des
solutions. L’un des avantages de l’algorithme ci-dessus est sa robustesse. Par conséquent,
nous sommes en mesure de calculer toutes les étapes de traitement nécessaires en temps
réel grâce à la réalisation programmable du MCNN. Nos simulations illustrées à la figure 5
sont obtenues via des simulations MATLAB basées sur l’intégration de Runge-Kutta du
quatrième ordre. Les résultats obtenus après la simulation du modèle Oregonator (14) sont
les suivants : (1) (2) le modèle Oregonator présente des oscillations à cycle limite et des
comportements excitateurs, qui dépendent des paramètres de réaction ; on observe une
génération de motifs spatiaux non uniformes, qui dépend de la condition initiale de l’état de
l’Oregonator, de la polarité du memristor et de la stimulation. Ceci sera démontré et
commenté dans la section 6, ci-dessous. La réponse à la question « Que se passe-t-il si l’on
remplace les résistances des LSI analogiques RD par des memristors ? » sera donnée. 6.
Applications du MCNN pour la formation de motifs Dans cette section, nous présentons une
application du MCNN envisagée dans la section précédente pour la génération de motifs. Il
est important de souligner que l’analyse suivante est basée sur la théorie de l’activité locale
[6]. Nous considérons le modèle de réaction-diffusion dans notre étude. Les systèmes
dynamiques issus de l’ingénierie, de la biologie, des fluides, de la chimie et des plasmas
peuvent développer différents modèles. La formation de modèles dans l’hydre a été décrite
dans le célèbre article de Turing [61]. Il existe de nombreux motifs dans la nature, tels que les
coquillages [63] et les pelages d’animaux [64], qui sont modélisés par la dynamique de la
formation de motifs spatiaux. Le mécanisme des empreintes digitales [65] est décrit par des
méthodes de génération de modèles en ingénierie. La génération de motifs est généralement
étudiée théoriquement, expérimentalement ou par le biais de simulations. La preuve directe
de la réaction-diffusion dans les systèmes physiques est étudiée expérimentalement, mais il
est difficile de contrôler les paramètres dans ces cas. L’évolution de la dynamique dans les
substrats chimiques et biologiques est très lente. Afin de mieux comprendre les effets, nous
devons faire varier arbitrairement les paramètres de contrôle des composantes de réaction et
de diffusion, au moyen d’études théoriques et de simulation. Ces études sont assez longues
en raison des hypothèses de modélisation, telles que les approximations et la discrétisation
en temps et en amplitude. Selon la définition donnée dans [6], les MCNN travaillent dans le
domaine de la limite du chaos (EC) si nous pouvons trouver au moins un point d’équilibre
dans la région localement active et stable. En fonction des paramètres, il est possible
d’obtenir différents modèles dans le domaine EC. Dans le cas où il n’y a qu’un seul coefficient
de diffusion dans la région EC, des modèles statiques sont générés. Avec deux coefficients de
diffusion, il est possible de développer des modèles statiques de type Turing. Dans ce cas, le
coefficient de couplage doit être choisi en fonction de l’emplacement du point de paramètre
de la cellule dans la région limite entre le domaine localement actif et instable et le domaine
CE. On sait que des motifs de type Turing peuvent être générés dans le CNN lorsque les
cellules se trouvent dans la région CE uniquement pour le cas à deux diffusions. La possibilité
d’émergence de la complexité [6] est donc très élevée lorsque les paramètres cellulaires se
trouvent dans le domaine EC dans les cas de diffusion unique et de diffusion double. Les
figures 6 à 9 ci-dessous présentent différents types de motifs générés dans les modèles
MCNN étudiés. Dans la figure 6, les motifs de Turing apparaissant dans un système de
réaction-diffusion sont générés lorsque le système dynamique est modifié en remplaçant u2
→ u2 1+ku2 . Dans ce cas, avec le changement du paramètre k, l’instabilité de Turing se
produit, et nous obtenons la variété de motifs montrée dans la figure. Dans les simulations, λ,
µ et ρ sont les paramètres du système RD.

Figure 9. Modèles chaotiques apparaissant dans la région localement active et instable à la

limite de la région du bord du chaos pour différents ensembles de paramètres cellulaires.
Figure 9 : Modèles chaotiques apparaissant dans la région localement active et instable à la
frontière de la région du bord du chaos pour différents ensembles de paramètres cellulaires.
Comme nous l’avons indiqué dans la section 5 pour le modèle OregonatorMCNN, nous
déterminons la limite du
domainechaosdesparamètresdanslequelsuncomportementcomplexepeutapparaître. Des
modèles spatiaux non uniformes sont générés dans le modèle et sont représentés à la figure
7. L’état initial de toutes les cellules de l’Oregonator est l’état inactif. Après stimulation du
nœud central, les ondes excitables se propagent vers l’extérieur, comme le montre la figure 8.
Parmi les comportements démontrés, la génération de motifs spatiaux non uniformes
s’applique aux investigations visant à détecter la génération de motifs à partir des
microrésistances.Par conséquent, si l’on dispose d’un média RD approprié (non perturbateur)
et d’un réseau de 2 poignets sans circuit de réaction, et si le point dynamique du média RD
est donné par le réseau de poignets, on peut détecter les mouvements globaux du média RD.
Cette application n’est pas limitée à l’analyse des systèmes RD, mais l’approche peut être
transférée à l’analyse de systèmes beaucoup plus complexes, tels que les réseaux cérébraux,
les réseaux sociaux et bientôt. Après les simulations du modèle de transformation de
l’Oregon présentées dans les figures 7 et 8, nous tirons les conclusions suivantes : (a) les
conductances du métronome sont modulées par des ondes excitables se propageant sur le
métronome, en fonction de la polarité du métronome ; et (b) la vitesse de propagation des
ondes excitables est donc modulée par le changement de conductance du métronome, et le
degré de cette modulation est inversement proportionnel à la constante de temps du modèle
du métronome.

Les modèles dynamiques sont généralement obtenus [6] dans la région localement active et
instable. Un comportement complexe peut émerger lorsque les points de paramètres
cellulaires sont situés à la limite entre le bord de la région chaotique et la région localement
active et instable[6]. En ce sens, les modèles dynamiques chaotiques, présentés dans la figure
9, sont générés pour les points de paramètres cellulaires. En général, ils sont très proches du
bord de la région chaotique et dans la région localement active et instable. Selon la théorie
de l’activité locale [6], lorsque les points des paramètres cellulaires se trouvent dans la région
localement passive, un comportement complexe est observé dans le MCNN, avec quelques
cas particuliers lorsque les conditions initiales sont proches du point d’équilibre. En général,
l’analyse de stabilité ne donne pas le domaine exact des paramètres cellulaires dans lequel
les cellules sont localement passives [6]. Deux types de codes pseudo-couleur ont été
introduits pour représenter graphiquement le comportement dynamique complexe du
réseau d’Oregonator. Des simulations informatiques approfondies ont testé l’efficacité de la
théorie de l’activité locale et ont montré le comportement extrêmement complexe des
cellules des équations du réseau de réaction-diffusion. Il est bien connu [65] que certains
systèmes complexes peuvent s’auto-organiser en états spatialement structurés
indépendamment des états initiaux, qui peuvent être non structurés ou spatialement
homogènes. De tels phénomènes sont observés dans tous les domaines scientifiques, par
exemple en physique, en biologie, en sciences sociales, etc. Afin d’expliquer comment un tel
comportement se produit, nous avons besoin d’une explication. Les simulations
expérimentales sont proches du comportement observé dans l’ensemble associé d’équations
de réaction-diffusion. En appliquant notre analyse théorique du MCNN, qui est fournie pour
l’exemple du système Oregonator, nous pouvons prédire avec précision la dépendance des
mesures expérimentales des modèles obtenus par rapport aux paramètres d’entrée. En
étudiant le MCNN à deux couches, nous pouvons mieux comprendre la dynamique de
formation des motifs de la puce. Dans ce cas, nous avons un processus de diffusion stable, qui
se traduit par l’évolution d’un tel réseau de motifs spatiaux différents. En conclusion de cette
section, nous aimerions souligner que les motifs oscillatoires, les motifs statiques
(convergents) et les motifs non limités (divergents) ne peuvent être formés que dans les cas
où les paramètres sont déterminés à la limite du domaine cosmique. Dans certains cas
particuliers, des motifs complexes peuvent être générés si les paramètres cellulaires se
trouvent dans le domaine localement actif et instable, mais à la limite du domaine du bord du
chaos. Cela prouve que la théorie de l’activité locale nous donne une méthode analytique
explicite pour l’étude de la complexité. 7. Discussion Il existe de nombreux modèles de
systèmes physiques, chimiques et biologiques utilisant l’architecture CNN. En raison de son
fonctionnement analogique en temps continu, il est possible de fournir un traitement des
signaux en temps réel avec une grande précision. Ceci est dû à l’interconnexion locale entre
les éléments de traitement, qui conduit à plusieurs implémentations numériques et
analogiques de l’architecture CNN sous la forme de puces intégrées à très grande échelle
(VLSI). La littérature fait état de plusieurs applications puissantes du CNN, notamment
l’analyse de modèles et d’images, comme la détection de lignes verticales, la réduction du
bruit, la détection de contours, la détection de caractéristiques, la reconnaissance de
caractères, etc. [41–43,45,46,48–50,55]. Afin d’améliorer la résolution dans le traitement
statique et dynamique des images, il est nécessaire de réduire la taille des éléments de
traitement et la connectivité entre ces éléments décrivant les modèles de feedforward et de
feedback dans les modèles CNN. On sait que les versions actuelles des réseaux CNN dans les
puces CMOS VLSI sont limitées à 16 000 éléments de traitement [66,67]. Récemment,
certaines nouvelles technologies, telles que les diodes à tunnel résonnant et les points
quantiques, mettent en œuvre des éléments de traitement de manière plus compacte afin
d’améliorer la résolution du calcul CNN. Par exemple, dans [68], il est montré que des
composés photochromiques photoréversibles sont présentés et utilisés pour la mise en
œuvre de synapses optiques et d’effets de mémoire qui améliorent considérablement la
reconnaissance des formes. L’introduction de memristors offre la possibilité d’améliorer
considérablement la résolution du modèle de calcul CNN [69,70]. Les principales propriétés
des memristors (non-volatilité, états de mémoire binaires et multiples et géométries
nanométriques) sont importantes pour la technologie de nanofabrication. Ces propriétés
prometteuses des memristors ont été exploitées dans leurs applications en matière de
mémoire non volatile, de réseaux neuronaux artificiels, etc. [71-74]. Leur conductance peut
changer en réponse à la tension ou au courant appliqué, comme une synapse biologique, et
c’est pourquoi ils sont utilisés pour le traitement des signaux biologiques. Dans [4,38], une
synapse compacte à pont de memristors est présentée afin d’effectuer une pondération et
une programmation de poids à différents intervalles de temps.

Tous les dispositifs de commutation résistifs peuvent être modélisés en mettant en

correspondance les processus physiques qui sous-tendent leur fonctionnement avec le cadre
memristor. L’essentiel est d’identifier une variable d’état qui capture avec précision les
aspects importants du système, puis de décrire son évolution dynamique et temporelle en
réponse aux entrées du memristor. La première utilisation du cadre memristif a été de décrire
la commutation résistive, caractérisant le comportement des dispositifs TiO2. Dans ce cas, le
memristor était composé de deux régions adjacentes, dopées et non dopées, avec des
lacunes d’oxygène, avec une frontière mobile entre les régions tout en gardant l’épaisseur
globale du film fixe. Les dispositifs memristor ont une nature à deux bornes et la capacité de
changer de conductance lorsqu’ils sont stimulés par des impulsions de tension et évoluent
dans des états qui sont basés sur l’historique de l’entrée. Pour cette raison, ils deviennent des
analogues électroniques presque idéaux des synapses biologiques. De plus, comme les
memristors peuvent être mis en œuvre dans une architecture à barres transversales, ils sont
adaptatifs, avec une densité élevée et une grande connectivité, ce qui conduit à des
applications neuromorphiques. Les memristors peuvent stocker un poids statique sous la
forme d’une valeur de résistance analogique, contrairement aux réseaux neuronaux artificiels
conventionnels, qui offrent une dynamique interne plus complexe, et, de cette manière, ils
peuvent être utilisés pour mettre en œuvre différentes règles d’apprentissage imitant la
biologie. Les memristors peuvent être appliqués à la mise en œuvre directe de règles
d’apprentissage, ce qui est une approche très difficile. 8. Conclusions Dans cet article, nous
présentons un examen des réseaux cellulaires non linéaires à memristors du point de vue de
la théorie et des applications. Nous discutons des développements dans les deux domaines –
les memristors et les réseaux cellulaires non linéaires. Nous présentons ensuite, à titre
d’exemple, un modèle MCNN du système Oregonator et nous appliquons la théorie de
l’activité locale afin d’étudier sa dynamique. Le domaine localement actif de l’espace des
paramètres de ce modèle est déterminé, ainsi que la limite de la région de chaos. Une brève
présentation de la formation de motifs dans les modèles MCNN est présentée à la fin de
l’article, montrant une application possible. Les solutions calculées dans ces modèles peuvent
être comparées à celles de phénomènes connus dans les milieux excitables. En outre,
différentes excitations sont appliquées pour générer des motifs spatiaux non uniformes, qui
dépendent également de la condition initiale de l’état de la cellule CNN et de la polarité du
memristor. La théorie de l’activité locale pour les équations de réaction-diffusion pourrait
être généralisée à d’autres systèmes. En particulier, elle est applicable à tout système dont les
cellules et les couplages sont décrits par des modèles mathématiques déterministes. Dans de
telles généralisations, il est très important de dériver des conditions nécessaires et suffisantes
testables, qui garantissent que le système a une solution unique d’état d’équilibre à t→∞.
Dans le cas des états d’équilibre, chaque cellule doit être définie par une fonction croissante
strictement monotone des variables d’état du port. Le fait est qu’une fonction croissante
strictement monotone impose des conditions mathématiques plus fortes qu’une fonction
homéomorphe dans Rn, n ≥ 2. On peut interpréter cette définition comme une généralisation
du concept de fonction croissante strictement monotone à l’espace des fonctions. Les
conditions générales pour le cas n > 2 sont obtenues au cours de la procédure de simulation
du MCNN à réaction-diffusion et peuvent être basées sur la conjecture suivante : Un milieu
homogène non conservatif ne peut présenter de complexité que si la cellule ou le réseau de
couplage est localement actif.