CogNet : une architecture unifiée de mémoire et de raisonnement inspirée du cerveau pour les grands modèles de langage

Les systèmes actuels de grands modèles de langage (LLM) abordent le raisonnement sur de longs contextes via une augmentation par mémoire externe — génération augmentée par récupération (RAG), bases de données vectorielles et flux de travail agents. Nous soutenons que ce paradigme est fondamentalement limité car il sépare le stockage du calcul, violant un principe central de la cognition biologique. Nous proposons CogNet (Réseau Cognitif), une architecture inspirée du cerveau qui unifie mémoire et raisonnement dans un seul cadre computationnel. CogNet introduit cinq innovations interconnectées basées sur les neurosciences : (1) un modèle à trois couches de trace mnésique (essentiel–ancre–pointeur) inspiré de la théorie des traces floues ; (2) un couplage bidirectionnel raisonnement-mémoire (BRMC), où chaque étape de raisonnement lit et écrit simultanément dans la mémoire ; (3) un graphe de mémoire associative multimodale avec activation en propagation pour le raisonnement ; (4) un système de forgetting dynamique basé sur la modulation du seuil d’activation plutôt que sur la suppression physique ; et (5) un système de consolidation à double canal qui dépasse le goulot d’étranglement de la consolidation dépendante du sommeil du cerveau humain. Nous fournissons une analyse formelle incluant des bornes information-théoriques, des garanties de convergence et des compromis stabilité-plasticité.