A measure of intelligence of an approximation of a real number in a given model

Ce papier introduit une fonction $\mu$ pour mesurer l'intelligence d'une approximation d'un nombre réel dans un modèle donné, démontre sa cohérence avec la théorie classique de l'approximation diophantienne rationnelle, et pose la question ouverte de savoir si tout nombre réel peut être intelligemment approché dans un modèle où il est un point d'accumulation.

L'essentiel

Voici une explication de l'article de Bakir Farhi, imagée et simplifiée pour un public non spécialiste.

🧠 L'Intelligence d'une Approximation : Un Nouveau Jaugeur

Imaginez que vous essayez de décrire la taille exacte d'un éléphant à quelqu'un qui n'en a jamais vu.

• Option A : Vous dites "C'est un animal très grand, peut-être 3 mètres".
• Option B : Vous dites "C'est un animal de 3,14159265358979323846264338327950288419716939937510 mètres".

Les deux sont des approximations de la réalité (la taille exacte de l'éléphant). L'option B est mathématiquement plus précise, mais elle est lourde, compliquée et difficile à retenir. L'option A est simple, facile à comprendre, et elle donne une idée très juste de la réalité.

C'est exactement le problème que résout Bakir Farhi dans cet article. Il se demande : Comment mesurer objectivement la "qualité" ou l'"intelligence" d'une approximation ?

Pourquoi l'approximation de $\pi$ par $22/7$(environ 3,14) est-elle considérée comme "géniale" par les mathématiciens, alors que$314159/100000$ est plus précise ? Parce que la première est intelligente : elle utilise de petits nombres pour obtenir un résultat très bon. La seconde est naïve : elle utilise des nombres énormes pour gagner quelques décimales de précision, ce qui est un gaspillage d'effort.

---

📏 La Règle du Jeu : Le "Score d'Intelligence" ($\mu$)

L'auteur invente une formule magique, un score qu'il appelle $\mu$ (mu). Ce score compare deux choses :

1. La simplicité (le "poids") : Combien de chiffres faut-il écrire pour décrire votre approximation ? (C'est la taille des nombres utilisés).
2. La précision (la "valeur") : Combien de chiffres de votre approximation sont corrects par rapport à la vraie valeur ?

La règle est simple :

• Si le score $\mu$ est supérieur à 1, l'approximation est INTELLIGENTE. C'est un coup de maître : vous avez obtenu beaucoup de précision avec peu d'effort.
• Si le score $\mu$ est inférieur à 1, l'approximation est NAÏVE. C'est comme utiliser un canon pour tuer une mouche : vous avez dépensé trop d'énergie (des nombres trop gros) pour un résultat qui n'est pas si impressionnant que ça.

L'analogie du voyage :
Imaginez que vous voulez aller de Paris à Lyon (la vraie valeur).

• Prendre le TGV (approximation simple et précise) est intelligent.
• Prendre un avion, atterrir à Lyon, puis faire du vélo pour revenir à Paris, puis repartir en avion, juste pour gagner 10 mètres de temps, c'est naïf.

---

🔍 Ce que l'auteur a découvert

Bakir Farhi a appliqué ce test à de nombreuses approximations célèbres de nombres comme $\pi$ (Pi) ou $e$ (le nombre d'Euler).

1. Les classiques sont intelligents :

   • $22/7$pour$\pi$ a un score élevé. C'est une approximation "intelligente".
   • $355/113$pour$\pi$est aussi intelligente, même si elle est plus précise que$22/7$.
   • Des approximations plus exotiques, comme $\sqrt{2} + \sqrt{3}$ pour $\pi$, sont aussi très intelligentes.

2. Les pièges :

   • Certaines approximations qui semblent bonnes au premier abord s'avèrent être "naïves" car elles utilisent des nombres trop compliqués pour le gain de précision apporté.

3. Le lien avec les fractions continues :

   • L'auteur montre un lien fascinant avec les "fractions continues" (une façon particulière d'écrire les nombres en mathématiques). Il prouve que toutes les meilleures approximations issues des fractions continues sont automatiquement "intelligentes". C'est comme si la nature elle-même nous donnait les solutions les plus efficaces.

4. Les exceptions (Les nombres "Liouville") :

   • Il existe des nombres mathématiques très étranges (appelés nombres de Liouville) pour lesquels on peut trouver des approximations ultra-intelligentes à l'infini. Pour la plupart des nombres que nous connaissons (comme $\pi$ ou $e$), il y a une limite à l'intelligence de nos approximations. On ne peut pas faire de miracles infinis.

---

🚀 Pourquoi est-ce important ?

Avant cet article, dire qu'une approximation était "intéressante" ou "élégante" dépendait du goût personnel des mathématiciens. C'était subjectif.

Grâce à Bakir Farhi, nous avons maintenant une règle objective.

• Si vous voulez construire un pont, un algorithme ou un satellite, vous voulez des approximations "intelligentes" : des calculs rapides et simples qui donnent un résultat fiable.
• Ce papier nous aide à trier le bon grain de l'ivraie mathématique : distinguer ce qui est une véritable découverte élégante de ce qui est juste un calcul lourd et inutile.

🤔 La Grande Question Ouverte

L'article se termine par un défi lancé aux mathématiciens du monde entier :
"Est-ce que pour n'importe quel nombre réel, on peut toujours trouver une approximation intelligente dans un modèle donné ?"

C'est comme demander : "Peut-on toujours trouver une clé simple pour ouvrir n'importe quelle serrure ?"
Pour les nombres rationnels (les fractions), la réponse est oui. Pour les autres, c'est encore un mystère que l'auteur laisse en suspens, attendant que quelqu'un trouve la clé pour résoudre ce casse-tête.

En résumé : Cet article nous apprend que la vraie beauté en mathématiques, c'est l'efficacité. Une approximation intelligente est celle qui dit beaucoup avec peu de mots (ou peu de chiffres).

Résumé technique

Voici un résumé technique détaillé de l'article « A measure of intelligence of an approximation of a real number in a given model » de Bakir Farhi, rédigé en français.

1. Problématique et Contexte

Depuis des millénaires, les mathématiciens s'intéressent à l'approximation de nombres réels importants (comme $\pi$ ou $e$) par des expressions à variables entières. Certaines approximations sont considérées intuitivement comme « intelligentes » ou « intéressantes » (ex: $\pi \approx 22/7$), tandis que d'autres, bien que plus précises, sont jugées « naïves » (ex: $\pi \approx 314159/100000$).

Le problème central identifié par l'auteur est l'absence d'une définition mathématique rigoureuse du terme « intelligent » dans ce contexte. L'intuition suggère qu'une approximation intelligente doit être un compromis optimal entre deux facteurs :

1. La simplicité (ou la taille) de l'approximation (complexité des paramètres utilisés).
2. La précision (l'erreur d'approximation).

L'objectif de l'article est de formaliser ce compromis en introduisant une mesure d'intelligence ($\mu$) permettant de quantifier objectivement la qualité d'une approximation dans un modèle donné.

2. Méthodologie

L'auteur développe une théorie basée sur la complexité des nombres et la théorie de l'approximation diophantienne.

A. Définition des Modèles d'Approximation

Un modèle d'approximation $M$ est défini comme une application $M : A \subset \mathbb{Z}^{*n} \to \mathbb{R}$, où $n$ est le nombre de paramètres entiers non nuls.

• Exemples : Le modèle rationnel ($a/b$), le modèle avec racines carrées ($a + b\sqrt{2}$), etc.
• Un approximation est dite admissible si ses paramètres ne sont pas tous égaux à $\pm 1$.

B. Taille et Taille Logarithmique

Pour une approximation $x \approx M(a_1, \dots, a_n)$, la taille $s$ est définie comme le produit des valeurs absolues des paramètres :
$$s = |a_1| \times |a_2| \times \dots \times |a_n|$$
La taille logarithmique est $s_{\log} = \log(s) = \sum \log |a_i|$. Cette grandeur est utilisée comme proxy pour le nombre de chiffres nécessaires pour écrire les paramètres.

C. La Mesure d'Intelligence ($\mu$)

L'idée fondamentale est qu'une approximation est intelligente si le nombre total de chiffres des paramètres utilisés ne dépasse pas le nombre de chiffres corrects de l'approximation (partie entière + décimales).

La mesure d'intelligence $\mu$ est définie par la formule :
$$\mu(x \approx M(a_1, \dots, a_n)) = \frac{\log |x| - \log |x - M(a_1, \dots, a_n)|}{\log |a_1 a_2 \dots a_n|}$$

Critères de classification :

• Si $\mu \ge 1$ : L'approximation est intelligente.
• Si $\mu < 1$ : L'approximation est naïve.
• Plus $\mu$ est grand, plus l'approximation est considérée comme intelligente.

3. Résultats Principaux

A. Validation sur des Exemples Numériques

L'auteur applique la mesure $\mu$ à de nombreuses approximations connues de $\pi$ et $e$ :

• $\pi \approx 22/7$ : $\mu \approx 1.55$ (Intelligente).
• $\pi \approx 355/113$ : $\mu \approx 1.53$ (Intelligente, bien que plus précise que 22/7, elle est légèrement moins "intelligente" selon ce critère).
• $\pi \approx \sqrt{2} + \sqrt{3}$ : $\mu \approx 3.63$ (Très intelligente).
• $\pi \approx 20/11\sqrt{3}$ : $\mu \approx 0.92$ (Naïve, bien que proche de 1).
• L'article présente également de nouvelles approximations intelligentes pour $e$, $\sqrt{e}$, et d'autres constantes, certaines atteignant des mesures d'intelligence supérieures à 3.

B. Théorie dans le Modèle Rationnel

Dans le cas spécifique du modèle rationnel ($x \approx p/q$), l'auteur établit des liens profonds avec la théorie des fractions continues :

1. Théorème 6.3 : Toute convergente d'une fraction continue régulière d'un nombre irrationnel est une approximation intelligente.
2. Existence d'approximations non convergentes : L'auteur prouve (Théorèmes 6.7 et 6.9) qu'il existe des approximations rationnelles intelligentes qui ne sont pas des convergents de la fraction continue, sous certaines conditions sur les coefficients partiels ($a_n$).
3. Cas particuliers :
   • Pour $\sqrt{2}$ et $\sqrt{5}$, il existe une infinité d'approximations intelligentes hors des convergents standards.
   • Pour $e$, une conjecture est émise suggérant que seule l'approximation $5/2$ est intelligente sans être un convergent (réductible).

C. Liouville et Mesures d'Irrationalité

Un résultat théorique majeur (Théorème 6.11) relie la mesure d'intelligence à la nature des nombres transcendants :

• L'ensemble des mesures d'intelligence des approximations rationnelles d'un nombre irrationnel $x$ est non borné si et seulement si $x$ est un nombre de Liouville.
• Corollaire 6.12 : Pour les nombres algébriques irrationnels (et de nombreux transcendants comme $\pi$, $e$, $\log 2$, $\zeta(3)$), l'ensemble des mesures d'intelligence est borné.
• Signification : Ces nombres ne possèdent pas d'approximations rationnelles "très intelligentes" (c'est-à-dire avec un rapport infini entre précision et complexité).

4. Contributions Clés

1. Formalisation conceptuelle : Définition rigoureuse et calculable de l'« intelligence » d'une approximation, transformant une notion intuitive en une métrique mathématique.
2. Nouvelle métrique : Introduction de la fonction $\mu$ qui combine logarithme de l'erreur et logarithme de la taille des paramètres.
3. Lien avec les fractions continues : Démonstration que les convergents standards sont intrinsèquement intelligents, et identification de nouvelles familles d'approximations intelligentes non standards.
4. Classification des nombres : Démonstration que la capacité à avoir des approximations "très intelligentes" est une propriété exclusive aux nombres de Liouville, distinguant ainsi les nombres "normaux" (algébriques, $\pi$, $e$) des nombres de Liouville.

5. Signification et Ouvertures

• Signification théorique : Ce travail offre un cadre unifié pour évaluer la qualité des approximations diophantiennes au-delà de la simple précision. Il montre que la "beauté" ou l'efficacité d'une approximation (comme $22/7$) n'est pas un hasard, mais une propriété mathématique mesurable liée à la structure du nombre.
• Problème ouvert : L'auteur pose la question de savoir si, pour tout modèle d'approximation $M$ et tout nombre $x$ dans l'adhérence de l'image de $M$ (mais non représentable dans $M$), il existe toujours des approximations intelligentes. La preuve pour le modèle rationnel repose sur le principe des tiroirs de Dirichlet, qui ne s'applique pas directement aux autres modèles, laissant cette question ouverte pour les modèles plus complexes.

En résumé, cet article propose une nouvelle perspective sur la théorie de l'approximation diophantienne en introduisant une métrique qui quantifie l'efficacité informationnelle d'une approximation, validant mathématiquement l'intuition des mathématiciens sur ce qui rend une approximation "intéressante".