Le raisonnement relationnel est un élément central du comportement intelligent en général, mais il s'est avéré difficile pour les réseaux neuronaux d'apprendre ce type de raisonnement. Dans cet article, nous décrivons comment utiliser les Réseaux Relationnels (RN) comme un module simple et prêt à l'emploi pour résoudre des problèmes qui reposent fondamentalement sur le raisonnement relationnel. Nous avons testé des réseaux augmentés par des RNs sur trois tâches : la réponse aux questions visuelles en utilisant un ensemble de données complexe appelé CLEVR, où nous atteignons des performances supérieures à celles de l'état de l'art et même humaines ; la réponse aux questions basées sur du texte en utilisant la suite de tâches bAbI ; et le raisonnement complexe sur des systèmes physiques dynamiques. Ensuite, en utilisant un ensemble de données soigneusement sélectionné appelé Sort-of-CLEVR, nous montrons que les puissants réseaux convolutifs n'ont pas une capacité générale à résoudre des questions relationnelles, mais peuvent acquérir cette capacité lorsqu'ils sont augmentés par des RNs. Notre travail démontre comment une architecture d'apprentissage profond équipée d'un module RN peut implicitement découvrir et apprendre à raisonner sur les entités et leurs relations.