Réseaux de Boltzmann
Un réseau de Boltzmann (ou machine de Boltzmann) est un réseau de neurones stochastique qui apprend à modéliser la distribution de probabilité sous-jacente à un jeu de données, sans supervision. Nommé d’après le physicien Ludwig Boltzmann pour ses fondements en mécanique statistique, il a été introduit en 1985 par David Ackley, Geoffrey Hinton et Terrence Sejnowski. Chaque neurone y a un état binaire (0 ou 1), déterminé de façon probabiliste plutôt que fixe.
Sa variante la plus utilisée, la machine de Boltzmann restreinte (RBM), simplifie l’architecture originale : deux couches seulement (une couche visible pour les données d’entrée, une couche cachée pour les motifs appris), sans connexion à l’intérieur d’une même couche — ce qui la rend beaucoup plus rapide à entraîner. Les RBM ont servi de brique aux premiers réseaux de croyance profonds (deep belief networks), en les empilant les unes sur les autres.
En RH, l’usage direct reste quasi inexistant — cette architecture appartient surtout à l’histoire du deep learning, largement dépassée par des approches plus performantes (CNN, Transformer). Son intérêt reste principalement historique et pédagogique : comprendre l’origine des réseaux profonds actuels, dont dérivent indirectement les outils RH modernes de scoring ou de matching.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Wikipédia FR (28/07/2025, RBM), Grokipedia (14/01/2026).