🌀 nonlinear sciences

The Mathematical Theory of Behavioural Swarms: Towards Modelling the Collective Dynamics of Living Systems

Cet article introduit un cadre mathématique complet pour les « essaims comportementaux » qui surmonte les limites des modèles classiques en incorporant des variables d'activité interne dynamiques afin de modéliser rigoureusement la dynamique collective adaptative, hétérogène et pilotée par l'agentivité des systèmes vivants.

Auteurs originaux : Rene Fabregas, Jie Liao, Nisrine Outada

Publié 2026-08-17

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rene Fabregas, Jie Liao, Nisrine Outada

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Les êtres vivants ne se déplacent pas comme les pierres ou les planètes. Un rocher suit les lois de la physique avec une prévisibilité parfaite, mais un oiseau, une bactérie ou un être humain porte un monde intérieur qui modifie sa façon d'agir. Ce monde intérieur comprend des sentiments comme la peur, la confiance ou le stress, qui varient d'un instant à l'autre et altèrent la manière dont un individu interagit avec les autres. Pendant des décennies, les scientifiques ont tenté d'écrire des règles mathématiques décrivant comment des groupes de ces êtres vivants se déplacent ensemble. Les tentatives les plus célèbres traitaient chaque membre du groupe comme une simple machine, suivant des règles fixes pour s'aligner sur la vitesse et la direction de ses voisins. Bien que ces modèles expliquaient comment des nuées d'oiseaux ou des bancs de poissons pouvaient rester groupés, ils passaient à côté d'une vérité cruciale : les créatures vivantes ne sont pas des machines. Elles font des choix basés sur leurs propres humeurs et stratégies changeantes.

Ce fossé dans la compréhension est ce qu'une nouvelle étude de chercheurs en Espagne, en Chine et au Maroc cherche à combler. Ils ont développé une nouvelle théorie mathématique appelée la « théorie des essaims comportementaux ». Au lieu de traiter chaque membre d'un groupe comme un objet statique, ce nouveau cadre attribue à chaque individu une variable cachée et changeante appelée « activité ». Considérez cette activité comme une mesure de la vigilance, du stress ou de la motivation d'un individu à n'importe quelle seconde. Ce nombre n'est pas fixe ; il change à mesure que l'individu interagit avec les autres, et en retour, il modifie la façon dont l'individu se déplace. Les chercheurs ont construit un ensemble de règles qui lie cet état interne directement au mouvement physique, créant un système où la peur d'une personne peut instantanément changer sa vitesse de marche, ou la confiance d'un oiseau peut altérer sa trajectoire de vol.

L'étude commence par examiner les anciens modèles qui fonctionnaient bien pour un alignement simple mais échouaient à capturer la complexité de la vie. Dans ces anciens systèmes, si un oiseau voulait tourner, il faisait simplement la moyenne des directions des oiseaux environnants. La nouvelle théorie ajoute une couche de prise de décision. Elle propose qu'avant qu'un oiseau ou une personne ne bouge, il met d'abord à jour son état interne en fonction de ce qu'il voit et ressent. Si un piéton dans une foule ressent un sentiment de panique croissant, ce sentiment (l'activité) influence immédiatement la vitesse à laquelle il marche et la direction qu'il prend. Les chercheurs ont montré que cet état interne et le mouvement physique sont verrouillés dans une boucle : l'environnement modifie le sentiment, et le sentiment modifie le mouvement.

Pour tester si cette idée fonctionne, l'équipe l'a appliquée à deux situations très différentes du monde réel : le mouvement des personnes dans une foule et l'achat et la vente de marchandises sur un marché. Dans le scénario de la foule, ils ont simulé un groupe de piétons où une personne est soudainement devenue paniquée. Le modèle a montré comment cette panique se serait propagée. Lorsque la personne paniquée a vu les autres, sa peur a influencé ses voisins, qui sont devenus eux-mêmes craintifs. Les chercheurs ont découvert que la forme de l'onde de panique dépendait fortement de la distance de vue des gens. Si tout le monde avait un champ de vision large, la panique se propageait plus vite et couvrait une zone plus vaste. Si leur vue était étroite, la panique se déplaçait plus lentement en une ligne serrée. Cela correspondait à ce que nous pourrions attendre dans la vie réelle, mais le modèle l'a prouvé mathématiquement en suivant l'évolution de l'« activité » de chaque personne dans la simulation.

Dans la seconde application, les chercheurs ont observé un marché où acheteurs et vendeurs interagissent. Ici, l'« activité » représentait l'intérêt d'un acheteur pour un produit ou la volonté d'un vendeur de baisser son prix. Le modèle a montré que lorsque les acheteurs agissaient en groupe, à la recherche de la meilleure affaire, ils pouvaient créer des vagues soudaines de demande qui forçaient les prix à changer. Contrairement aux anciens modèles économiques qui supposaient qu'une autorité centrale fixe les prix, ce système montrait comment les prix pouvaient émerger naturellement des décisions chaotiques et individuelles de nombreuses personnes. La simulation a révélé que si les vendeurs pouvaient ajuster leurs prix en fonction du nombre d'acheteurs qui les regardaient, le marché finirait par trouver un prix stable de lui-même, sans que personne ne leur dise quoi faire.

Les chercheurs ont également exploré ce qui se passe lorsqu'un groupe ne fait pas que se déplacer ensemble, mais pense aussi ensemble. Ils ont simulé un scénario où des individus tentaient de s'accorder sur une direction à prendre, tout en essayant de s'accorder sur une opinion interne. Ils ont découvert quelque chose de surprenant : le groupe pouvait parvenir à un accord parfait sur la direction à suivre, même s'il restait profondément divisé sur ce qu'il croyait. Le mouvement physique du groupe devenait unifié, tandis que leurs états internes restaient scindés en différents camps. Cela suggère que, dans la vie réelle, une foule peut se déplacer comme une seule unité même si les personnes à l'intérieur de celle-ci se disputent ou défendent des points de vue différents.

Bien que la théorie soit puissante, les auteurs précisent avec prudence ses limites. La version actuelle du modèle suppose que le nombre de personnes dans le groupe reste constant ; elle ne tient pas encore compte des naissances ou des décès, ni de l'apparition de nouveaux agents de nulle part. Cela la rend moins adaptée à l'étude de phénomènes tels que la propagation d'un virus où le nombre de personnes infectées change constamment. Cependant, pour les systèmes où la taille du groupe est stable, la théorie offre une image bien plus claire de la façon dont les sentiments internes dirigent les actions externes.

L'article conclut en se tournant vers l'avenir, suggérant que cette théorie pourrait être combinée avec les outils modernes d'apprentissage informatique. En injectant des données réelles provenant de nuées d'animaux ou de foules humaines dans ces modèles, les scientifiques pourraient un jour découvrir automatiquement les règles exactes qui régissent le changement de l'activité. Cela ferait passer le domaine de la supposition sur le comportement humain à la prédiction réelle. Ce travail ne prétend pas avoir résolu le mystère de la vie, mais il fournit un langage nouveau et plus honnête pour la décrire. En admettant que les êtres vivants portent un monde intérieur qui change et évolue, la théorie des essaims comportementaux offre un moyen de comprendre la danse complexe et adaptative de la vie sans la réduire à une simple mécanique.

Résumé Technique : La Théorie Mathématique des Essaims Comportementaux

Énoncé du Problème
L'article traite d'une limitation fondamentale de la modélisation classique des essaims, spécifiquement au sein de cadres tels que Cucker–Smale (CS) et Vicsek. Bien que ces modèles décrivent avec succès l'alignement collectif et le regroupement basés sur des règles mécaniques (position et vitesse), ils traitent les agents comme des automates homogènes régis par des règles prédéterminées. Ils ne parviennent pas à capturer les stratégies adaptatives intrinsèques, l'hétérogénéité et les processus de décision interne caractéristiques des systèmes vivants. Les auteurs soutiennent qu'un « calcul de la vie » est nécessaire — un calcul qui dépasse la description de la matière inerte pour formaliser la manière dont les états internes (ex. : stress, motivation, confiance) coévoluent avec la dynamique mécanique par le biais d'interactions non locales.

Méthodologie
L'article formalise la Théorie Mathématique des Essaims Comportementaux (BST), un cadre où l'état de chaque agent (une « particule active » ou a-particule) est augmenté d'une variable interne dynamique nommée activité ( $u_i$ ). Contrairement aux modèles classiques où les paramètres sont fixes, l'activité est une variable d'état coévolutive qui module et est modulée par le mouvement mécanique de l'agent.

La méthodologie centrale repose sur un système d'équations différentielles ordinaires (EDO) couplées du second ordre régissant l'évolution de quatre variables d'état pour chaque particule $i$ :

Position ( $x_i$ ) et Vitesse ( $v_i$ ) : Dynamique mécanique.
Activité ( $u_i$ ) : Une variable interne sans dimension ( $u_i \in [0,1]$ ) représentant des états comportementaux (ex. : stress, conviction, niveau d'apprentissage).
Momentum d'Activité ( $z_i = \dot{u}_i$ ) : Le taux de variation de l'activité.

Le système est structuré de manière hiérarchique pour refléter le flux causal dans les systèmes vivants :

Étape 1 (Mise à jour comportementale) : L'état interne $u_i$ évolue en fonction des interactions au sein d'un domaine d'interaction $\Omega_i$ dynamique (défini par l'intersection de la visibilité et de la sensibilité). Cette évolution est pilotée par une « force comportementale » ( $\chi_{ij}$ ) représentant les influences sociales telles que l'imitation ou l'apprentissage.
Étape 2 (Mise à jour mécanique) : L'état comportemental mis à jour informe la dynamique mécanique. La vitesse $v_i$ évolue en fonction d'une « force mécanique » ( $\psi_{ij}$ ), qui inclut l'alignement, l'attraction ou la répulsion, mais est désormais pondérée et modulée par les niveaux d'activité actuels des agents en interaction.

Le taux d'interaction $\eta_{ij}$ n'est pas constant et dépend de l'état complet de la paire en interaction, permettant des interactions hétérogènes et dépendantes de l'état. Le cadre est suffisamment général pour être spécialisé en systèmes spatialement homogènes (se concentrant uniquement sur la dynamique des opinions/sentiments) ou en systèmes basés sur des réseaux (remplaçant l'espace physique par une topologie de graphe).

Contributions Clés

Formalisation de l'Activité comme Variable Dynamique : La principale contribution est l'intégration mathématique rigoureuse d'une variable d'« activité » interne qui n'est pas un paramètre fixe mais une variable d'état dynamique. Cela crée une boucle de rétroaction où le comportement dirige le mouvement, et le mouvement (via la perception environnementale) dirige le comportement.
Unification des Modèles : L'article démontre que le cadre BST est une généralisation naturelle des modèles existants. En contraignant la variable d'activité à être constante et en simplifiant les règles d'interaction, le BST se réduit au modèle classique de Cucker–Smale. Inversement, il peut retrouver le modèle Cucker–Smale thermodynamique en interprétant l'activité comme la température.
Cadre d'Application Dual : Les auteurs fournissent une structure unifiée applicable à deux classes distinctes de problèmes :
- Essaims Physiques : Où la dynamique se produit dans l'espace physique (ex. : foules de piétons, vols d'animaux), et où l'activité module la vitesse et la direction.
- Essaims Abstraits : Où la dynamique se déroule entièrement dans l'espace d'état des variables internes (ex. : formation d'opinions, dynamique des prix du marché), sans mouvement physique.
Comparaison Critique : L'article propose une analyse critique contrastant la BST avec la Théorie Cinétique des Particules Actives (KTAP) et les théories de Fokker–Planck–Boltzmann (FPB). Il souligne que la BST ne nécessite pas l'hypothèse d'un grand nombre de particules pour la continuité (contrairement à la KTAP) mais note ses limitations computationnelles avec un grand $N$ et son incapacité actuelle à modéliser les événements prolifératifs/destructifs (naissance/mort).

Résultats et Démonstrations Numériques
L'article valide la théorie à travers plusieurs études de cas numériques et applications :

Stress et Comportement d'Essaim : Les simulations montrent que les agents ayant des niveaux d'activité plus élevés s'alignent plus rapidement sur les signaux externes. Lorsque l'activité est dynamique et basée sur le consensus, l'essaim atteint une meilleure cohésion. L'influence asymétrique (où seuls les agents à haute activité influencent les autres) conduit à une convergence plus rapide et à l'émergence de leaders mobiles.
Dynamique de Marché (Cherry-Picking) : Dans un modèle de marché décentralisé, le cadre capture le comportement de « cherry-picking » où les acheteurs recherchent les prix les plus bas. Le modèle démontre comment les interactions locales mènent à des phénomènes macroscopiques tels que les structures de marché de type « gagnant rafle tout » ou le consensus sur les prix, selon que les vendeurs adaptent leurs prix ou non.
Propagation de la Panique : Des expériences numériques sur les foules de piétons révèlent que la géométrie du domaine d'interaction (angle de visibilité) affecte de manière critique la propagation de la panique. Un angle de visibilité plus large entraîne des ondes de panique plus rapides, plus larges et plus accélérées en raison de l'amplification non linéaire de l'état émotionnel.
Dynamique de Multi-Consensus : L'article illustre que les agents peuvent atteindre un consensus cinématique (se déplacer dans la même direction) tout en maintenant une hétérogénéité comportementale (détenir des opinions internes différentes). En introduisant un mécanisme de « confiance bornée » (les agents n'interagissent que si leurs états internes sont proches), le système se fragmente en clusters d'opinions distincts tout en atteignant un alignement global dans le mouvement.

Signification et Revendications
L'article positionne la BST comme une évolution nécessaire de la modélisation mathématique des systèmes vivants, comblant le fossé entre le mouvement mécanique et l'agence interne. Sa signification réside dans :

La fourniture d'un cadre rigoureux basé sur les EDO qui modélise explicitement la rétroaction réciproque entre les états internes et les dynamiques physiques.
L'offre d'une structure flexible capable de décrire divers systèmes, des agrégations biologiques aux marchés économiques, sous un même formalisme.
L'identification du besoin de développement futur dans la découverte pilotée par les données. Les auteurs proposent d'utiliser les Réseaux de Neurones Informés par la Physique (PINNs) pour résoudre des problèmes inverses avec des données éparses et l'Identification de la Dynamique Non Linéaire Parcourue (SINDy) pour découvrir les formes analytiques des noyaux d'interaction à partir de données observationnelles. Cela vise à faire passer la théorie de la description à la prédiction en dérivant les lois d'interaction à partir de principes fondamentaux ou de données plutôt que d'hypothèses empiriques.

Les auteurs concluent que bien que la BST soit actuellement confrontée à des défis de scalabilité computationnelle et de modélisation d'événements non conservatifs (naissance/mort), elle constitue un schéma directeur fondamental pour une science prédictive du comportement collectif dans les systèmes vivants adaptatifs.

Articles similaires