Le modèle de Wilson-Cowan pour métapopulation, modèle de réseau de masses neuronales, traite différentes régions sous-corticales du cerveau comme des nœuds interconnectés, les connexions représentant divers types de connectivité structurale, fonctionnelle ou effective entre ces régions. Chaque région comprend des populations interagissant d’unités excitées et inhibées, conformément au modèle standard de Wilson-Cowan. En intégrant des attracteurs stables dans la dynamique de ce modèle de métapopulation, nous le transformons en algorithme d’apprentissage capable d’atteindre une précision élevée dans la classification d’images et de textes. Nous l’évaluons sur les jeux de données MNIST et Fashion MNIST, en combinaison avec des réseaux de neurones convolutifs, sur CIFAR-10 et TF-FLOWERS, ainsi, en combinaison avec une architecture de transformateur (BERT), sur IMDB, obtenant toujours une précision de classification élevée. Ces évaluations numériques illustrent que de minimes modifications apportées au modèle de Wilson-Cowan pour métapopulation peuvent révéler des dynamiques uniques et auparavant inobservées.