Cet article présente une nouvelle théorie expliquant comment les organismes résolvent divers problèmes qu'ils rencontrent rarement ou une fois, ou ce que nous appelons « hyperadaptabilité ». L'hyperadaptabilité désigne la capacité à résoudre des problèmes improvisés sans expérience approfondie et répétée. Cet article explique l'hyperadaptabilité en définissant le comportement comme la représentation physique d'une procédure de recherche autocorrectrice. Au lieu d'une recherche aléatoire, le système acquiert de puissantes capacités de résolution de problèmes en ordonnant dynamiquement un ensemble infini d'actions séquentielles basées sur la simplicité et l'efficacité. Les actions sont échantillonnées à partir de chemins dans un graphe cognitif, dont l'ordre est déterminé par une boucle de rétroaction exécution/modification du graphe. Le graphe cognitif est implémenté à l'aide d'une nouvelle représentation neuronale harmonique qui prend en charge l'apprentissage hebbien et le stockage flexible de l'information. Nous validons cette approche par des expériences de simulation qui démontrent une acquisition rapide de compétences de navigation dans des labyrinthes complexes et des récompenses élevées dans des extensions difficiles de problèmes classiques d'apprentissage par renforcement. Ce cadre fournit un nouveau modèle théorique pour l'apprentissage développemental et ouvre la voie à des robots capables d'acquérir de manière autonome des compétences complexes et de gérer des situations exceptionnelles.
