🤖 machine learning

Discovery of interaction and diffusion kernels in particle-to-mean-field multi-agent systems

Cet article propose un cadre d'apprentissage automatique basé sur des données pour identifier les noyaux d'interaction et de diffusion dans les systèmes multi-agents stochastiques en utilisant des stratégies de régression parcimonieuse, soit par échantillonnage par lots aléatoires, soit par approximation de champ moyen, permettant ainsi de reconstruire avec précision les dynamiques sous-jacentes à partir de trajectoires partiellement observées.

Auteurs originaux : Giacomo Albi, Alessandro Alla, Elisa Calzola

Publié 2026-03-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Giacomo Albi, Alessandro Alla, Elisa Calzola

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

Imaginez une grande foule de gens dans une place publique. Chacun bouge, parle, et interagit avec les autres. Parfois, ils se rapprochent pour discuter, parfois ils s'éloignent pour éviter les bousculades, et parfois ils sont simplement poussés par le vent ou par l'agitation de la foule (le "bruit").

Les scientifiques veulent comprendre les règles invisibles qui gouvernent ces mouvements. Ils veulent savoir : "Quand deux personnes sont à telle distance, quelle est la probabilité qu'elles se rapprochent ?" et "Comment le bruit ambiant affecte-t-il leur trajectoire ?"

Le problème, c'est que nous n'avons pas de caméra magique pour voir qui parle à qui à chaque seconde. Nous avons seulement une vidéo de la foule qui bouge, sans savoir qui interagit avec qui. C'est comme essayer de deviner les règles d'un jeu de cartes en regardant seulement les cartes posées sur la table, sans voir les mains des joueurs.

Voici comment les auteurs de cet article (Giacomo Albi, Alessandro Alla et Elisa Calzola) ont résolu ce casse-tête :

1. Le Défi : Deviner les règles sans voir les joueurs

Dans le monde réel, les interactions entre les agents (les gens, les oiseaux, les voitures) sont souvent cachées. De plus, le mouvement est imprévisible (stochastique). Les chercheurs ont créé une méthode pour apprendre ces règles cachées directement à partir des trajectoires observées, sans avoir besoin de connaître la structure des interactions à l'avance.

Ils appellent ces règles cachées des "noyaux d'interaction" (pour la force d'attraction/répulsion) et des "noyaux de diffusion" (pour le bruit ou l'agitation).

2. La Méthode : Deux stratégies de détective

Pour résoudre ce problème, ils proposent deux approches complémentaires, comme deux façons différentes d'écouter une conversation dans une pièce bruyante.

Stratégie A : L'approche "Échantillonnage aléatoire" (Le jeu de cartes)

Imaginez que vous voulez comprendre comment une foule de 1000 personnes interagit, mais vous ne pouvez pas observer tout le monde en même temps.

L'idée : Au lieu de regarder tout le monde, vous choisissez au hasard de petits groupes de personnes (des "lots" ou batches) à chaque instant.
L'analogie : C'est comme si vous preniez des photos rapides de petits groupes de personnes dans la foule. Même si vous ne voyez pas tout le monde, si vous prenez assez de photos aléatoires, vous pouvez reconstruire la moyenne du comportement de toute la foule.
Le résultat : Cette méthode permet de deviner les règles d'interaction en "moyennant" ces petits groupes aléatoires, en compensant le fait que l'on ne voit pas tout.

Stratégie B : L'approche "Champs de densité" (La carte de chaleur)

Imaginez maintenant que vous ne regardez plus les individus, mais que vous regardez la foule comme un nuage de fumée ou une carte de chaleur.

L'idée : Au lieu de se demander "Qui parle à qui ?", on se demande "Quelle est la densité de personnes à cet endroit ?".
L'analogie : C'est comme regarder la densité de trafic sur une carte de Google Maps. On ne voit pas chaque voiture, mais on voit les zones rouges (embouteillages) et vertes (circulation fluide). En analysant comment ce "nuage" de personnes se déplace et se déforme, on peut déduire les règles qui le gouvernent.
Le résultat : Cette méthode transforme le problème complexe de milliards d'interactions individuelles en un problème plus simple de mouvement d'un fluide continu.

3. L'Expérience : Des tests sur des modèles connus

Les chercheurs ont testé leurs méthodes sur des modèles célèbres :

Le modèle de la "Confiance Bornée" : Comme dans une discussion politique, où les gens ne discutent qu'avec ceux qui pensent presque comme eux. Si la différence est trop grande, ils s'ignorent.
Le modèle "Attraction-Répulsion" : Comme un troupeau d'oiseaux : ils veulent rester ensemble (attraction) mais ne veulent pas se percuter (répulsion).

Dans tous les cas, même avec peu de données et sans savoir qui interagit avec qui, leurs algorithmes ont réussi à redécouvrir les règles exactes du jeu. C'est comme si un détective, en regardant seulement les traces de pas dans la neige, avait pu déduire exactement comment les gens marchaient et pourquoi ils s'arrêtaient.

4. Pourquoi c'est important ?

Cette méthode est robuste. Elle fonctionne même si :

Les données sont bruitées (il y a du "vent" dans la foule).
On a très peu de temps d'observation.
On ne voit pas les interactions directes.

Cela ouvre la porte à l'analyse de systèmes réels complexes : comprendre comment les opinions se forment dans les réseaux sociaux, comment les épidémies se propagent, ou comment les animaux se déplacent en groupe, simplement en observant leurs mouvements, sans avoir besoin de connaître leurs relations secrètes.

En résumé : Les auteurs ont créé un outil mathématique qui permet de "lire entre les lignes" du mouvement d'une foule pour en déduire les lois invisibles qui la dirigent, en utilisant soit des échantillons aléatoires intelligents, soit une vue d'ensemble de la densité du groupe.

1. Problématique et Contexte

L'article aborde le problème inverse de la découverte de lois d'interaction dans des systèmes multi-agents stochastiques à partir de données de trajectoires. Le défi principal réside dans le fait que les interactions binaires entre les agents (qui interagit avec qui) ne sont pas directement observables. De plus, les données sont souvent limitées (peu de trajectoires indépendantes) et le système est intrinsèquement stochastique (bruit de diffusion).

L'objectif est de reconstruire les noyaux d'interaction (dérive ou drift) et les termes de diffusion, qui gouvernent la dynamique collective, sans connaissance a priori de leur forme fonctionnelle. Le cadre théorique relie la dynamique microscopique (interactions binaires discrètes) aux descriptions macroscopiques (équations de Fokker-Planck non locales via la limite de champ moyen).

2. Méthodologie

Les auteurs proposent un cadre d'apprentissage de données (data-driven) basé sur la régression sparse dans des espaces fonctionnels de dimension finie.

A. Modélisation Mathématique

Le système est décrit par un modèle d'interaction binaire stochastique discret :
$x_i^{n+1} = x_i^n + \Delta t P(x_i^n, x_j^n)(x_j^n - x_i^n) + \sqrt{\Delta t} D(x_i^n, x_j^n) \xi_{ij}^n$
où $P$ est le noyau d'interaction (dérive) et $D$ le coefficient de diffusion. Les paires $(i, j)$ sont sélectionnées aléatoirement à chaque pas de temps.

B. Approximation Fonctionnelle

Les noyaux $P(r)$ et $D(r)$ (où $r = \|x-y\|$ ) sont approximés par des combinaisons linéaires de fonctions de base à support compact et continues par morceaux (polynômes linéaires par morceaux) :
$\hat{P}(r) = \sum \varrho_k \phi_k(r), \quad \hat{D}^2(r) = 2 \sum \zeta_k \psi_k(r)$
Le problème d'identification est formulé comme une minimisation d'erreur quadratique (moindres carrés) pour retrouver les coefficients $\varrho$ et $\zeta$ .

C. Deux Stratégies d'Identification (Face à l'incertitude des paires)

Puisque les matrices de couplage $S_n$ (qui définissent qui interagit avec qui) sont inconnues, les auteurs proposent deux approches complémentaires pour approximer les espérances conditionnelles nécessaires à la régression :

Approche par Échantillonnage de Lots Aléatoires (Random-Batch Sampling) :
- À chaque pas de temps, au lieu de connaître toutes les interactions, on génère $N_p \ll N$ paires d'interactions aléatoires.
- On effectue une régression sur ces lots pour approximer l'opérateur d'interaction complet.
- Pour améliorer la robustesse, on répète le processus $K$ fois avec différents lots aléatoires, puis on combine les résultats via un moyennage pondéré (basé sur la capacité du noyau reconstruit à prédire la trajectoire observée) ou une sélection du meilleur ajustement (best-fit).
Approche par Approximation de Champ Moyen (Mean-Field Approximation) :
- Au lieu de simuler des paires, on reconstruit la densité empirique des agents $\hat{f}(x, t)$ à partir des trajectoires observées (via un histogramme).
- Les termes d'interaction sont alors calculés comme des intégrales non locales par rapport à cette densité estimée.
- Cela transforme le problème en une régression continue non locale, évitant le besoin de connaître les paires spécifiques.

D. Estimations d'Erreur

Les auteurs dérivent une estimation d'erreur a priori (Théorème 4.1) pour les trajectoires reconstruites. Ils montrent que l'erreur quadratique moyenne entre la dynamique réelle et la dynamique reconstruite est bornée par la somme des erreurs d'approximation des noyaux ( $\delta_P, \delta_D$ ) et de l'erreur sur la reconstruction des matrices d'interaction, avec une croissance exponentielle contrôlée (type Grönwall).

3. Résultats Expérimentaux

Les méthodes ont été validées sur des modèles benchmarks en 1D et 2D, avec des données bruitées et partielles :

Modèles testés :
- Confiance bornée (Bounded Confidence) : Modélise la formation d'opinions (clustering).
- Attraction-Répulsion : Modélise l'agrégation et la ségrégation (ex: vol d'oiseaux, opinion sociale).
- Diffusion non locale : Cas où la diffusion dépend de la distance relative entre agents.
Performance :
- Les deux stratégies (Random-Batch et Champ Moyen) atteignent des niveaux de précision comparables pour la reconstruction des noyaux $P$ et $D$ .
- Les erreurs relatives ( $L_1$ et $L_\infty$ ) sur les noyaux sont faibles (de l'ordre de $10^{-2}$ à $10^{-1}$ selon la complexité).
- La reconstruction des densités de probabilité et des trajectoires globales est très précise, même lorsque l'apprentissage est effectué sur une fraction du temps total (généralisation hors régime d'entraînement).
Robustesse :
- L'approche par champ moyen s'avère particulièrement efficace pour reconstruire la diffusion sur des distances grandes où les données de paires aléatoires sont rares (problème de "manque d'information" pour les couples lointains dans la méthode par lots).
- Les méthodes fonctionnent bien avec un seul trajet de données (single trajectory) et peu de fenêtres temporelles.

4. Contributions Clés

Cadre unifié pour l'identification de noyaux stochastiques : Formulation du problème inverse pour la dérive et la diffusion simultanément, sans hypothèse de connaissance des paires d'interaction.
Stratégies complémentaires : Développement de deux méthodes (Random-Batch et Champ Moyen) qui pallient le manque de données d'interaction latentes, offrant une flexibilité selon la nature des données disponibles.
Analyse théorique rigoureuse : Preuve de stabilité des trajectoires reconstruites et dérivations d'estimations d'erreur reliant la précision des noyaux à la précision de la dynamique globale.
Validation empirique : Démonstration de l'efficacité sur des modèles complexes (attraction-répulsion, diffusion anisotrope/non-locale) en 1D et 2D, surpassant ou égalisant les méthodes existantes avec moins de données.

5. Signification et Perspectives

Ce travail est significatif car il comble un fossé important entre la modélisation microscopique (interactions discrètes) et la modélisation macroscopique (équations aux dérivées partielles) dans un contexte de données réelles et limitées. Il offre une boîte à outils robuste pour comprendre les mécanismes sous-jacents de systèmes collectifs complexes (biologie, sociologie, économie) où les interactions individuelles sont souvent inobservables.

Les perspectives futures incluent l'application à des jeux de données réels (dynamiques biologiques ou sociales) et l'exploration de représentations basées sur les réseaux de neurones pour capturer des lois d'interaction plus complexes et de haute dimension.