Un réseau de neurones redécouvre seul la méthode du « palais de mémoire » : étude parue dans Nature Machine Intelligence

Le 20 juillet 2026, une équipe de chercheurs dirigée par Li (Li et al.) a publié dans la revue Nature Machine Intelligence un article montrant que des réseaux de neurones récurrents, entraînés à une tâche de rappel libre, découvrent par eux-mêmes plusieurs stratégies de mémoire proches de celles des humains. Les plus précises d'entre elles reposent sur un mécanisme d'indexation qui rappelle l'antique technique mnémotechnique du « palais de mémoire ».

Ce que montre l'étude

Les réseaux de neurones récurrents (RNN), optimisés pour la tâche de rappel libre (free recall), ont mis au jour non pas une, mais plusieurs stratégies de mémorisation distinctes. Selon Nature Machine Intelligence, ces stratégies vont au-delà des modèles classiques de contexte temporel (temporal context models), qui expliquent depuis des décennies comment les humains se rappellent des listes de mots dans un ordre quelconque.

Le rappel libre est un test de mémoire classique : on montre une liste à une personne, puis on lui demande de la restituer dans l'ordre de son choix. Pendant longtemps, le comportement humain dans ce test a été décrit par des modèles de contexte temporel, dans lesquels la probabilité de se rappeler un mot dépend de sa proximité dans le temps avec ses voisins lors de la présentation. Le nouveau travail montre que cette tâche n'admet pas une seule solution optimale.

• Publication — 20 juillet 2026, Nature Machine Intelligence, DOI 10.1038/s42256-026-01274-0
• Auteurs — Li et al.
• Méthode — réseaux de neurones récurrents (RNN) optimisés pour le rappel libre
• Résultat clé — les meilleurs modèles utilisent un mécanisme d'indexation, équivalent du « palais de mémoire »
• Ce qu'ils surpassent — les modèles classiques de contexte temporel (temporal context models)

Quel rapport avec le « palais de mémoire » ?

Les modèles les plus performants s'appuyaient sur un mécanisme d'indexation (index-based) : ils attribuaient aux éléments à retenir une sorte d'adresse et y accédaient grâce à ces étiquettes, au lieu de reparcourir toute la séquence. Cette approche rappelle la technique du « palais de mémoire » (méthode des lieux), déjà employée par les orateurs de l'Antiquité : on « dispose » mentalement les faits dans les pièces d'un bâtiment imaginaire, puis on les récupère en suivant un parcours connu à l'avance.

Point important : le réseau n'a pas reçu cette stratégie toute faite. Il y est parvenu seul, en optimisant simplement la précision du rappel. Autrement dit, le schéma d'indexation s'est révélé être une solution avantageuse à la tâche elle-même, et non une astuce intégrée au départ.

Pourquoi c'est important

Ce travail rapproche les mécanismes de mémoire artificiels et biologiques. Si un réseau de neurones arrive, sans indication, à une stratégie proche d'une technique mnémotechnique humaine, cela plaide pour l'idée que ces stratégies sont une solution optimale au problème du rappel, et pas seulement une invention culturelle. Pour les neurosciences, cela fournit une hypothèse vérifiable sur la manière dont le cerveau organise le rappel libre.

Pour l'IA, la question de la mémoire à long terme reste ouverte : les modèles de langage conservent le contexte dans une fenêtre limitée et organisent mal les anciens souvenirs. Une stratégie où les éléments sont adressés par des index, plutôt que relus un à un, fait écho à la façon dont les systèmes actuels se greffent des bases externes et de la recherche vectorielle. L'étude de Li et al. en offre une justification biologiquement plausible.

Les meilleurs modèles utilisent un mécanisme d'indexation qui rappelle la technique du « palais de mémoire ». — extrait de l'article de

Li et al., Nature Machine Intelligence (DOI 10.1038/s42256-026-01274-0)

Ce que cela signifie

Les réseaux de neurones servent de plus en plus non seulement d'outils appliqués, mais aussi de modèles du cerveau. En optimisant un réseau pour une tâche de mémoire précise, les chercheurs obtiennent des hypothèses vérifiables sur le fonctionnement du rappel humain, ainsi que des pistes pour de futurs systèmes d'IA dotés d'une mémoire à long terme plus structurée.