Les réseaux complexes sont un paradigme de plus en plus utilisé pour modéliser la structure des systèmes complexes. Les connexions neuronales ou la transmission de maladies entre différents humains sont des exemples typiques de ce genre de structure. L'un des défis de la science des réseaux est de fournir des outils permettant de les analyser, notamment par le développement de modèles aléatoires de réseaux. Ces modèles permettent de supposer un hasard sous-jacent dans la construction d'un ensemble de réseaux, tout en conservant certaines propriétés importantes. En comparant un réseau mesuré dans un système réel à ceux issus d'un ensemble généré à l'aide d'un modèle aléatoire, il est possible d'identifier des propriétés ne pouvant pas s'expliquer par le hasard et ainsi mettre en évidence la présence de processus de formation cachés. Ce projet de maîtrise vise à développer une famille de modèles aléatoires qui se base sur une propriété de centralité des nœuds nommée la décomposition en oignon. Des algorithmes sont développés afin d'échantillonner des réseaux issus de différents ensembles. On montre que ces algorithmes peuvent construire les échantillons sans aucun biais dans le cas où les contraintes sont conservées exactement, et que les échantillons construits sont représentatifs des ensembles dans le cas où les contraintes sont conservées en moyenne sur l'ensemble. Finalement, on compare les nouveaux ensembles développés avec des ensembles déjà existants afin d'obtenir une nouvelle intuition sur le rôle que joue l'organisation à moyenne échelle sur les propriétés des réseaux complexes réels. / Complex networks are recent tools with a growing popularity that are used to study the structure of complex systems. Examples of these structures are the connections between neurons or the transmission of diseases along social ties in a population, both represented as links between nodes. A major challenge in network science is to develop tools that allow to understand these complex structures. Among these tools is the use of random graph models, which allow us to build ensembles of networks that share a common property while also having an underlying randomness. By comparing a network obtained from real data to a random graph model, it is possible to identify certain properties that cannot be explained by randomness, thereby highlighting the existence of some hidden formation process. This project aims to develop a family of random graph models that are based on a centrality property called the Onion Decomposition. Algorithms to create representative samples of these models are proposed. We show that the algorithms build the sample with no bias in the case of exact constraints, or with the proper bias in the case where the constraints are kept on average. Finally, we compare the new ensembles to ensembles in the literature to obtain a better intuition on the role of meso-scale organization in real complex networks.

Alors que la pandémie de COVID-19 affecte le monde depuis presque deux ans, il va sans dire qu'une meilleure compréhension des processus de contagion, de leur évolution et des effets des mesures de contrôle est essentielle pour réduire leur impact sur la société. Le cadre théorique pour la modélisation des processus de contagion est très général et permet, bien entendu, de décrire la propagation des maladies infectieuses causées par des agents pathogènes (virus, bactéries, parasites, etc.), mais aussi la propagation des rumeurs et de la désinformation. Peu importe la nature du processus, la transmission s'effectue de proche en proche grâce aux interactions entre les individus. Par conséquent, la structure sociale complexe des populations, qui n'est ni parfaitement ordonnée, ni complètement aléatoire, joue un rôle de premier plan. Dans cette thèse, nous étudions les processus de contagion sur réseaux, où les individus et les interactions entre ces individus sont représentés par des nœuds et des liens respectivement. Nous utilisons une approche théorique principalement basée sur la physique statistique et la dynamique non linéaire. Nous nous concentrons plus spécifiquement sur les réseaux d'ordre supérieur, lesquels mettent les interactions de groupe à l'avant-plan. Notre analyse va donc au-delà des interactions dyadiques. Bien plus qu'une reformulation mathématique de la structure, cette perspective est primordiale pour obtenir une compréhension plus complète de la phénoménologie des processus de contagion. Nous démontrons l'importance des interactions de groupe à l'aide de trois résultats principaux. D'abord, nous caractérisons un phénomène de localisation mésoscopique : pour certaines structures hétérogènes, la propagation persiste uniquement dans les groupes de grande taille. Ce phénomène a notamment une incidence sur l'effet des mesures de contrôle visant à prohiber les regroupements au-delà d'une certaine taille, à l'instar de ce qui fut instauré pour endiguer la pandémie de COVID-19. Ensuite, nous étudions un modèle où les individus doivent accumuler une dose infectieuse minimale pour devenir infectés. Nous montrons qu'une structure d'ordre supérieur et des temps d'exposition hétérogènes induisent une probabilité d'infection non linéaire universelle. L'épidémie résultante peut alors croître de manière super-exponentielle en fonction du temps. Finalement, nous poussons plus en profondeur l'analyse des processus de contagion non linéaire. Dans ce contexte, nous montrons que les groupes peuvent avoir plus d'importance que les individus ultra-connectés pour qu'une épidémie ou un phénomène social envahissent le plus rapidement possible une population. / After almost two years into the COVID-19 pandemic, it is clear that a better understanding of contagion processes, their evolution, and the impact of control measures is essential to reduce their burden on society. The theoretical framework for the modeling of contagion is quite general. It can describe the spread of pathogens causing diseases (viruses, bacteria, parasites, etc.), but also the spread of rumors and disinformation. Irrespective of the nature of the underlying process, the contagion evolves through local interactions between the individuals. Consequently, the complex social structure of populations, which is neither perfectly ordered nor completely random, plays a fundamental role in shaping spreading. In this thesis, we study contagion processes on networks where individuals and the interaction between them are represented by nodes and edges respectively. We use a theoretical approach based on statistical physics and nonlinear dynamics. We focus on higher-order networks, putting group interactions beyond pairwise interactions at the forefront. More than a mere mathematical generalization, we find this perspective is paramount to obtain a complete picture of the phenomenology of contagion dynamics. We demonstrate the importance of group interactions through three principal results. First, we characterize a mesoscopic localization phenomenon where the contagion thrives only in large groups for certain types of heterogeneous structure. This phenomenon significantly affects the results of interventions like the cancelation of events larger than a critical size, similar to the measures being used to limit the spreading of COVID-19. Second, we study a model where individuals must accumulate a minimal infective dose to become infected. We show that a higher-order structure and heterogeneous exposure induce a universal nonlinear infection probability. The epidemic size can then grow super-exponentially with time. Finally, with a more in-depth analysis of nonlinear contagions, we show that groups can be more influential than hubs (super-connected individuals) to maximize the early spread of an epidemic.

Les systèmes réels subissant des perturbations par l’interaction avec leur environnement sont susceptibles d’être entraînés vers des transitions irréversibles de leur principal état d’activité. Avec la croissance de l’empreinte humaine mondiale sur les écosystèmes, la caractérisation de la résilience de ces systèmes complexes est un enjeu majeur du 21e siècle. Cette thèse s’intéresse aux systèmes complexes pour lesquels il existe un réseau d’interactions et où les composantes sont des variables dynamiques. L’étude de leur résilience exige la description de leurs états dynamiques qui peuvent avoir jusqu’à plusieurs milliers de dimensions. Cette thèse propose trois nouvelles méthodes permettant de faire des mesures de la dynamique en fonction de la structure du réseau. L’originalité de ce travail vient de la diversité des approches présentées pour traiter la résilience, en débutant avec des outils basés sur des modèles dynamiques définis et en terminant avec d’autres n’exploitant que des données récoltées. D’abord, une solution exacte à une dynamique de cascade (modèle de feu de forêt) est développée et accompagnée d’un algorithme optimisé. Comme sa portée pratique s’arrête aux petits réseaux, cette méthode signale les limitations d’une approche avec un grand nombre de dimensions. Ensuite, une méthode de réduction dimensionnelle est introduite pour établir les bifurcations dynamiques d’un système. Cette contribution renforce les fondements théoriques et élargit le domaine d’applications de méthodes existantes. Enfin, le problème de retracer l’origine structurelle d’une perturbation est traité au moyen de l’apprentissage automatique. La validité de l’outil est supportée par une analyse numérique sur des dynamiques de propagation, de populations d’espèces et de neurones. Les principaux résultats indiquent que de fines anomalies observées dans la dynamique d’un système peuvent être détectées et suffisent pour retracer la cause de la perturbation. L’analyse témoigne également du rôle que l’apprentissage automatique pourrait jouer dans l’étude de la résilience de systèmes réels. / Real complex systems are often driven by external perturbations toward irreversible transitions of their dynamical state. With the rise of the human footprint on ecosystems, these perturbations will likely become more persistent so that characterizing resilience of complex systems has become a major issue of the 21st century. This thesis focuses on complex systems that exhibit networked interactions where the components present dynamical states. Studying the resilience of these networks demands depicting their dynamical portraits which may feature thousands of dimensions. In this thesis, three contrasting methods are introduced for studying the dynamical properties as a function of the network structure. Apart from the methods themselves, the originality of the thesis lies in the wide vision of resilience analysis, opening with model-based approaches and concluding with data-driven tools. We begin by developing an exact solution to binary cascades on networks (forest fire type) and follow with an optimized algorithm. Because its practical range is restricted to small networks, this method highlights the limitations of using model-based and highly dimensional tools. Wethen introduce a dimension reduction method to predict dynamical bifurcations of networked systems. This contribution builds up on theoretical foundations and expands possible applications of existing frameworks. Finally, we examine the task of extracting the structural causesof perturbations using machine learning. The validity of the developed tool is supported by an extended numerical analysis of spreading, population, and neural dynamics. The results indicate that subtle dynamical anomalies may suffice to infer the causes of perturbations. It also shows the leading role that machine learning may have to play in the future of resilience of real complex systems.

Le cadre théorique de la géométrie des réseaux consiste à placer des points, les nœuds, dans un espace métrique, puis les connecter par des liens par paires selon la distance qui les sépare. Lorsque la géométrie sous-jacente est hyperbolique, de nombreuses propriétés de réseaux qui proviennent de données empiriques peuvent être élégamment expliquées à l'aide de la proximité entre les nœuds et des caractéristiques de ces espaces si particuliers, dont la courbure est négative. Le modèle de réseaux hyperboliques le plus couramment utilisé attribue à chaque nœud une coordonnée radiale associée à son nombre total de liens et une coordonnée angulaire. Avec celle-ci, les nœuds peuvent être envoyés à un cercle, et à plus petite distance angulaire ils ont plus de chances d'être connectés, ce qui encode la similarité avec les autres nœuds. Or, dans de nombreux systèmes réels, il existe plus d'un facteur poussant les éléments à s'associer, et donc plusieurs manières d'être similaires ou pas. Cela se reflète dans les modèles de réseaux hyperboliques de plus grande dimension, où plus d'une coordonnée angulaire est associée à chaque nœud, qui est alors envoyé à une sphère de plus grande dimension à la place du cercle. Dans ce mémoire, on étudie les effets de la dimension des modèles de réseaux hyperboliques aléatoires. En particulier, la distribution des distances angulaires entre les nœuds connectés change selon la dimension. Or, la coordonnée angulaire des nœuds est aussi utilisée pour modéliser la structure communautaire, c'est-à-dire lorsque des sous-groupes de nœuds, les communautés, sont reliés plus densément entre eux qu'au reste du réseau. Par conséquent, augmenter le nombre de coordonnées angulaires affecte naturellement comment les communautés peuvent être générées et la manière dont elles sont reliées entre elles. Ces effets sont quantifiés en simulant des réseaux hyperboliques qui possèdent de la structure communautaire. Une différence marquée est observée entre le cas le plus simple et l'ajout d'une seule dimension, où la structure communautaire générée est plus diversifiée et réaliste. / The framework of network geometry involves placing points, nodes of a network, in a metric space and then creating pairwise connections, the edges, according to the distance between them. When the underlying geometry is hyperbolic, many network properties are elegantly explained by the closeness between nodes through properties of these negatively curved spaces. The flagship model of this framework assigns to each node one radial coordinate related to its total number of connections and one angular coordinate related to its similarity to other nodes. Nodes can thus be mapped to a circle where a smaller angular distance increases the chances to be connected, hence the idea of similarity. However, in many systems, there is more than one factors that drives relationships between elements, and thus more than one way in which they can be similar or not. This is captured by higher dimensional hyperbolic network models, where each node has more angular coordinates that maps it to a higher dimensional sphere instead of the circle. In this master's thesis, we study the effects of the dimension of hyperbolic network models. In particular, the distribution of angular distances between connected nodes changes with dimension. Yet, nodes' angular coordinates are also used to model hyperbolic networks' community structure, when some subgroups of nodes, the communities, are more densely connected than to the rest of the network. Hence, increasing the number of angular coordinates naturally affects how communities can be created and how they are related to one another. These effects are quantified through simulations of hyperbolic networks possessing community structure. A significant difference is observed between the simplest case and the addition of a single dimension, in which case the community structure generated is more diverse and realistic.

Tableau d'honneur de la Faculté des études supérieures et postdoctorales, 2018-2019 / Les objets d’études de la science moderne sont souvent complexes : sociétés, pandémies, grilles électriques, niches écologiques, etc. La science des réseaux cherche à mieux com- prendre ces systèmes en examinant leur structure. Elle fait abstraction du détail, en rédui- sant tout système à une simple collection de noeuds (les éléments constitutifs du système) connectés par des liens (interactions). Fort d’une vingtaine d’années de recherche, on peut constater que cette approche a mené à de grands succès scientifiques. Cette thèse est consacrée à l’intersection entre la science des réseaux et l’inférence statistique. On y traite de deux problèmes d’inférence classiques : estimation et test d’hypothèses. La partie principale de la thèse est dédiée à l’estimation. Dans un premier temps, on étu- die un modèle génératif bien connu (le modèle stochastique par blocs), développé dans le but d’identifier les régularités de la structure des réseaux complexes. Les contributions origi- nales de cette partie sont (a) l’unification de la grande majorité des méthodes de détection de régularités sous l’égide du modèle par blocs, et (b) une analyse en taille finie de la cohérence de ce modèle. La combinaison de ces analyses place l’ensemble des méthodes de détection de régularités sur des bases statistiques solides. Dans un deuxième temps, on se penche sur le problème de la reconstruction du passé d’un réseau, à partir d’une seule observation. À nouveau, on l’aborde à l’aide de modèles génératifs, le transformant ainsi en un problème d’estimation. Les résultats principaux de cette partie sont des méthodes algorithmiques per- mettant de solutionner la reconstruction efficacement, et l’identification d’une transition de phase dans la qualité de la reconstruction, lorsque le niveau d’inégalité des réseaux étudiés est varié. On se penche finalement sur un traitement par test d’hypothèses des systèmes complexes. Cette partie, plus succincte, est présentée dans un langage mathématique plus général que celui des réseaux, soit celui des complexes simpliciaux. On obtient un modèle aléatoire pour complexe simplicial, ainsi qu’un algorithme d’échantillonnage efficace pour ce modèle. On termine en montrant qu’on peut utiliser ces outils pour tester des hypothèses sur la structure des systèmes complexes réels, via une propriété inaccessible dans la représentation réseau (les groupes d’homologie des complexes). / Modern science is often concerned with complex objects of inquiry: intricate webs of social interactions, pandemics, power grids, ecological niches under climatological pressure, etc. When the goal is to gain insights into the function and mechanism of these complex systems, a possible approach is to map their structure using a collection of nodes (the parts of the systems) connected by edges (their interactions). The resulting complex networks capture the structural essence of these systems. Years of successes show that the network abstraction often suffices to understand a plethora of complex phenomena. It can be argued that a principled and rigorous approach to data analysis is chief among the challenges faced by network science today. With this in mind, the goal of this thesis is to tackle a number of important problems at the intersection of network science and statistical inference, of two types: The problems of estimations and the testing of hypotheses. Most of the thesis is devoted to estimation problems. We begin with a thorough analysis of a well-known generative model (the stochastic block model), introduced 40 years ago to identify patterns and regularities in the structure of real networks. The main original con- tributions of this part are (a) the unification of the majority of known regularity detection methods under the stochastic block model, and (b) a thorough characterization of its con- sistency in the finite-size regime. Together, these two contributions put regularity detection methods on firmer statistical foundations. We then turn to a completely different estimation problem: The reconstruction of the past of complex networks, from a single snapshot. The unifying theme is our statistical treatment of this problem, again based on generative model- ing. Our major results are: the inference framework itself; an efficient history reconstruction method; and the discovery of a phase transition in the recoverability of history, driven by inequalities (the more unequal, the harder the reconstruction problem). We conclude with a short section, where we investigate hypothesis testing in complex sys- tems. This epilogue is framed in the broader mathematical context of simplicial complexes, a natural generalization of complex networks. We obtain a random model for these objects, and the associated efficient sampling algorithm. We finish by showing how these tools can be used to test hypotheses about the structure of real systems, using their homology groups.

pas de resume

L'étude du spectre des réseaux complexes est un problème riche, ayant une longue histoire et des applications dans de nombreux domaines. La densité spectrale limite d'ensembles de graphes aléatoires, en particulier, fournit une information globale importante pour la compréhension de la topologie et du comportement des modèles de réseaux souvent utilisés comme version jouet des réseaux réels. Si la densité spectrale des réseaux denses et non corrélés est en général bien comprise, celle des réseaux extrêmement creux reste un problème difficile. Bien que plusieurs propriétés de la densité spectrale des réseaux extrêmement creux aient pu être établies, une forme fermée pour celle-ci échappe toujours aux chercheurs et chercheuses. C'est à ce problème que s'attaque ce mémoire. Dans un premier temps, une méthode combinatoire pour le calcul de la densité spectrale et de ses moments est développée. Elle est ensuite appliquée au modèle d'Erdős-Rényi dense avec succès, reproduisant le résultat classique qu'est la loi du demi-cercle de Wigner. Finalement, la méthode est utilisée pour l'étude de la densité spectrale des réseaux extrêmement creux. Sont obtenus ainsi une forme fermée pour la densité spectrale des graphes réguliers aléatoires, la preuve de propriétés importantes de la densité spectrale du modèle d'Erdős-Rényi extrêmement creux, une explication de la présence de pics discontinus dans la densité, une correction pour le cœur de celle-ci, ainsi qu'une forme asymptotique pour ses extrémités conjecturée comme vraie pour tous les modèles de réseaux creux et non corrélés. Malgré tout, une forme fermée est toujours inconnue. / The study of the spectra of complex networks is a rich problem with a long history and varied applications. In particular, the limiting spectral density of random graph ensembles provides important global information on the topology and behavior of the network models often used as toy versions of real networks. Though the spectral density of dense, uncorrelated networks is generally well understood, that of extremely sparse networks remains a difficult problem. Despite the fact that many properties of the spectral density of extremely sparse networks have been established, a closed form still evades researchers. It is that problem which this thesis tackles. First, a combinatorial approach to the calculation of the spectral density and its moments is developed. It is then successfully applied to the dense Erdős-Rényi model, reproducing the classical Wigner semicircle law. Finally, the approach is employed to study the spectral density of extremely sparse networks. Results obtained this way include a closed form for the spectral density of random regular graphs, proofs of important properties of the spectral density of extremely sparse Erdős-Rényi random graphs, an explanation of the presence of discontinuous peaks in the density, a correction for its bulk and an asymptotic form for its extremities, which is conjectured to hold for all models of sparse, uncorrelated networks. However, a closed form remains unknown.

Malgré l’efficacité des réseaux pour représenter les systèmes complexes, de récents travaux ont montré que leur structure limite parfois le pouvoir explicatif des modèles théoriques, puisqu’elle n’encode que des relations par paire. Si une interaction plus complexe existe dans le système représenté, elle est automatiquement réduite à un groupe d’interactions par paire, c’est-à-dire d’ordre un. Il faut alors utiliser des structures qui prennent en compte les interactions d’ordre supérieur. Cependant, qu’elles soient ou non d’ordre supérieur, les interactions entre les éléments d’un système sont rarement explicites dans les jeux de données. C’est notamment le cas des données de présence/absence qui indiquent quelles espèces (animales, végétales ou autres) se retrouvent (ou non) sur un site d’observation sans indiquer les relations entre elles. L’objectif de ce mémoire est alors de développer une technique d’inférence pour dénicher les interactions d’ordre supérieur au sein de données de présence/absence. Ici, deux cadres théoriques sont explorés. Le premier est basé sur la comparaison entre la topologie des données, obtenue grâce à une hypothèse souple, et celle d’un ensemble aléatoire. Le second utilise plutôt les modèles log-linéaire et les tests d’hypothèses pour inférer les interactions une à une jusqu’à l’ordre désiré. Ce cadre a permis d’élaborer plusieurs méthodes d’inférence qui génèrent des complexes simpliciaux (ou des hypergraphes) qui peut être analysés grâce aux outils standards de la science des réseaux en plus de l’homologie. Afin de valider ces méthodes, nous avons développé un modèle génératif de données de présence/absence dans lesquelles les véritables interactions sont connues. Des résultats concrets ont également été obtenus pour des jeux de données réelles. Notamment, à partir de données de présence/absence d’oiseaux nicheurs du Québec, nous avons réussi à inférer des cooccurrences d’ordre deux. / Despite the effectiveness of networks to represent complex systems, recent work has shownthat their structure sometimes limits the explanatory power of the theoretical models, sinceit only encodes dyadic interactions. If a more complex interaction exists in the system, it isautomatically reduced to a group of pairwise interactions that are of the first order. We thusneed to use structures that can take higher-order interactions into account. However, whetherrelationships are of higher order or not is rarely explicit in real data sets. This is the case ofpresence/absence data, that only indicate which species (of animals, plants or others) can befound (or not) on a site without showing the interactions between them.The goal of this project is to develop an inference method to find higher-order interactionswithin presence/absence data. Here, two frameworks are examined. The first one is based onthe comparison of the topology of the data, obtained with a non-restrictive hypothesis, andthe topology of a random ensemble. The second one uses log-linear models and hypothesistesting to infer interactions one by one until the desired order. From this framework, we havedevelopped several inference methods to generate simplicial complexes (or hypergraphs) thatcan be studied with regular tools of network science as well as homology. In order to validatethese methods, we have developed a generative model of presence/absence data in which thetrue interactions are known. Results have also been obtained on real data sets. For instance,from presence/absence data of nesting birds in Québec, we were able to infer co-occurrencesof order two

Un réseau complexe est un réseau d'interactions entre entités dont on ne peut pas déduire le comportement global à partir des comportements individuels desdites entités, d'où l'émergence de nouvelles propriétés. Notre problème est l'analyse et la modélisation de ces réseaux. L' analyse nécessite un formalisme englobant à la fois structure (approche statique) et fonction (approche dynamique), afin d'avoir une meilleure compréhension des caractéristiques de ces réseaux. En premier lieu, nous présentons dans cette thèse les modélisations utilisées jusqu'à présent et basées sur la théorie des graphes, sensées simuler le comportement des réseaux complexes. En analysant les faiblesses de ces modèles quant à une représentation convaincante des réseaux du monde réel (réseaux sociaux, informatiques, biologiques, ...), nous apportons une définition formelle générale d'un réseau par le biais de la théorie de la prétopologie, laquelle permet d'exprimer au mieux la dynamique de ces systèmes. Associée à cette définition, nous proposons une série de structures de données permettant de développer toute une algorithmique autour du modèle. En second lieu, nous proposons de nouveaux algorithmes d'analyse basés sur la classification d'éléments et la recherche d'éléments centraux, afin de fournir des outils d'aide à la décision puissants. Enfin nous présentons une librairie logicielle permettant la mise en oeuvre de simulations efficaces de tout modèle basé sur la théorie de la prétopologie.

L'hypothèse du liage temporel par synchronie suscite un intérêt important en neurobiologie, car elle permet d'expliquer comment différentes structures du cerveau peuvent établir entre elles un lien fonctionnel, en rapport avec une fonction cognitive. Cependant, il n'existe pas de modèle permettant de faire communiquer différents groupes de neurones par le biais de leurs émissions. <br /><br />Nous avons développé un modèle de réseau de neurones impulsionnels, dont la topologie est modifiée par un algorithme évolutionniste. Le critère de performance utilisé pour l'algorithme évolutionniste est évalué par l'intermédiaire du comportement d'un individu contrôlé par un réseau de neurones impulsionnels, et placé dans un environnement virtuel. L'utilisation du neurone impulsionnel, ayant la propriété de détection de synchronie, oblige l'évolution à construire un système utilisant cette propriété au niveau global, d'où l'émergence de la synchronisation neuronale à large-échelle. Les propriétés topologiques et dynamiques du réseau de neurones ne sont pas prises en compte dans le calcul de la performance, mais sont étudiées a posteriori, en comparant les individus avant et après évolution. <br /><br />D'une part, grâce aux outils de la théorie des réseaux complexes, nous montrons l'émergence d'un certain nombre de propriétés topologiques, notamment la propriété de réseau ``petit-monde''. Ces propriétés topologiques sont similaires à celles observées au niveau de l'anatomie des systèmes nerveux en biologie. D'autre part, au niveau de la dynamique, nous établissons que la propriété de synchronisation neuronale à large-échelle, résultant de la présentation d'un stimulus, est présente chez les individus évolués. Pour ce faire, nous nous appuyons sur les outils classiquement utilisés en électrophysiologie, et nous les étendons pour pouvoir interpréter la grande quantité de données obtenue à partir du modèle. <br /><br />Le modèle montre que l'on peut construire des réseaux de neurones basés sur l'hypothèse du liage temporel en ayant recours à l'évolution artificielle, en se basant sur un critère de performance écologique, c.à.d. le comportement de l'individu dans son environnement. D'autre part, les outils développés pour l'analyse des propriétés du modèle peuvent être utilisés dans d'autres domaines, en premier lieu en électrophysiologie. En effet, à cause des progrès techniques sur les enregistrements électrophysiologiques, la quantité de données se rapproche singulièrement de celle issue du modèle.