L'architecture modulaire est une caractéristique distinctive des circuits cérébraux. En particulier, il a été observé l'existence de connexions réciproques entre des zones fonctionnellement interconnectées dans le cortex, et qui par ailleurs sont hiérarchiquement organisées. De plus, le développement évolutif est une autre caractéristique distinctive des espèces vivantes ; même les virus sont capables d'adaptation pour mieux répondre à de nouvelles conditions environnementales. En tenant compte de ces deux importants aspects, nous avons construit un nouvel et unique outil de simulation permettant de modéliser et d'étudier l'évolution des circuits multi-modulaires hiérarchiques. Dans ce modèle, chaque module est représenté par des réseaux de neurones impulsionels et caractérisé à la fois par des changements d'activités neurales imbriquées et par la plasticité synaptique. La morte cellulaire, la plasticité synaptique et l'apoptose intégrés dans le modèle créent des liens auto-associatifs au sein des modules. Ces liens peuvent générer une activité zonale qui reflète l'évolution de la connectivité fonctionnelle à l'intérieur comme à l'extérieur des modules, et donc entre les plusieurs modules neuronaux. L'activité bioélectrique de chaque module est enregistrée au moyen des électrodes virtuelles. Les signaux, electrochipogrammes (EChG), sont analysés par les méthodes fréquentiels et les méthodes de potentiels évoqués afin de trouver des généralités dans le comportement émergeant. En plus de ces méthodes conventionnelles, nous proposons une nouvelle approche de régression non-linéaire structurelle afin de fournir des outils plus puissants et mieux adaptés aux données habituellement analysées dans ce domaine. Nous avons donc testé l'effet d'un stimulus externe sur le développement de liens fonctionnels d'un réseau neuronaux. Le circuit est structuré hiérarchiquement avec un unique module sensoriel et d'autres modules constitués de deux voies parallèles organisées aussi de façon hiérarchique. Nos résultats montrent que les circuits modélisés manifestent un comportement similaire que les circuits biologiques réels. En particulier, tous les éléments du circuit peuvent traiter et maintenir des patterns d'activité liés à la disparition du stimulus. Les résultats obtenus dans nos expériences apportent un éclairage sur les processus émergents et coordonnés de l'activité électrique enregistrée par des EEG de circuits inter-corticaux hiérarchiques et évolutifs qui sont artificiels ou réels. Plus généralement, notre approche concernant les signaux EEG pourrait être étendue à la modélisation d'une vaste variété des processus cognitifs et comportementaux. / Modular architecture is a hallmark of many brain circuits. Particularly, in the cerebral cortex it has been observed that reciprocal connections are often present between functionally interconnected areas that are hierarchically organized. Evolutionary development is another distinctive characteristic of living species, even the simplest viruses are capable to adapt to better fit new environmental conditions. Having hierarchical architectures and evolutionary features in mind, we build unique and novel simulation framework, which allows us to model and to study evolving hierarchically organized circuits of modules of spiking neural networks. Each module is characterized by embedded neural development and expression of spike timing dependent plasticity. Cell death, synaptic plasticity and projection pruning, embedded in the neural model, drive the build-up of auto-associative links within each module, which generate an areal activity that reflect the changes in the corresponding functional connectivity within and between neuronal modules. Bio-electric activity of each module is recorded by means of virtual electrodes and these signals, called electrochipograms (EChG), are analyzed by time and frequency domain methods in order to find general patterns of emerging behavior. Beside time and frequency domain analysis methods, a novel robust non-linear structural regression approach is proposed to provide researchers with more powerful tools specially adapted to the data typically used in the domain. We tested the effect of an external stimulus at fixed frequency fed to a sensory module, which pro jecting its activity to two hierarchically organized parallel pathways. We found that modeled circuits manifest behavior similar in certain aspects to that of real brains. We show evidence that all networks of modules are able to maintain long patterns of activity associated with the stimulus offset. These findings bring new insights to the understanding of EEG-like signals, both real and virtual. The findings prove that the approach is successful and could be extended to model cognitive and behavioral processes in the brains.

This thesis investigates the functionality of the units used in connectionist Artificial Intelligence systems. Artificial Neural Networks form the foundation of the research and their units, Artificial Neurons, are first compared with alternative models. This initial work is mainly in the spatial-domain and introduces a new neural model, termed a Taylor Series neuron. This is designed to be flexible enough to assume most mathematical functions. The unit is based on Power Series theory and a specifically implemented Taylor Series neuron is demonstrated. These neurons are of particular usefulness in evolutionary networks as they allow the complexity to increase without adding units. Training is achieved via various traditiona and derived methods based on the Delta Rule, Backpropagation, Genetic Algorithms and associated evolutionary techniques. This new neural unit has been presented as a controllable and more highly functional alternative to previous models. The work on the Taylor Series neuron moved into time-domain behaviour and through the investigation of neural oscillators led to an examination of single-celled intelligence from which the later work developed. Connectionist approaches to Artificial Intelligence are almost always based on Artificial Neural Networks. However, another route towards Parallel Distributed Processing was introduced. This was inspired by the intelligence displayed by single-celled creatures called Protoctists (Protists). A new system based on networks of interacting proteins was introduced. These networks were tested in pattern-recognition and control tasks in the time-domain and proved more flexible than most neuron models. They were trained using a Genetic Algorithm and a derived Backpropagation Algorithm. Termed "Artificial BioChemical Networks" (ABN) they have been presented as an alternative approach to connectionist systems.