🤖 machine learning

FI-KAN: Fractal Interpolation Kolmogorov-Arnold Networks

Ce papier présente le FI-KAN, une architecture de réseaux de neurones qui intègre des fonctions d'interpolation fractale pour adapter dynamiquement la régularité de ses bases aux caractéristiques des fonctions cibles, surpassant ainsi significativement les KAN classiques dans l'approximation de fonctions non lisses et de solutions d'EDP singulières.

Auteurs originaux : Gnankan Landry Regis N'guessan

Publié 2026-03-31

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Gnankan Landry Regis N'guessan

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 que vous essayez de dessiner une image complexe. Pour cela, vous avez besoin d'un outil de dessin.

Dans le monde de l'intelligence artificielle, les réseaux de neurones sont ces outils. Jusqu'à présent, les meilleurs outils (comme les réseaux KAN) utilisaient des lignes lisses et courbes, un peu comme des pinceaux à pointe fine qui dessinent des courbes parfaites. C'est excellent pour dessiner des montagnes douces, des visages ou des courbes de croissance.

Mais que se passe-t-il si vous devez dessiner quelque chose de rugueux, cassé et fractal ? Comme la côte d'une île vue du ciel, la texture d'un caillou, ou le bruit d'une tempête ? Si vous essayez de dessiner ces formes rugueuses avec un pinceau lisse, vous allez devoir utiliser des milliers de petits traits pour essayer de coller à la forme, et le résultat restera toujours un peu flou. C'est le problème que rencontrent les intelligences artificielles classiques face aux données "sauvages" du monde réel.

Voici l'histoire de la nouvelle invention : FI-KAN.

1. Le Problème : Le Pinceau Trop Lisse

Les réseaux de neurones actuels (appelés KAN) sont très intelligents, mais ils sont "trop polis". Ils pensent que le monde est lisse.

L'analogie : Imaginez essayer de copier la texture d'un vieux mur de pierre avec un stylo à bille qui ne fait que des courbes douces. Vous allez passer des heures à faire des petits zigzags, mais vous n'arriverez jamais à capturer la vraie rugosité de la pierre.

2. La Solution : Le Pinceau "Fractal"

Les auteurs de cette recherche (Gnankan Landry Regis N'guessan et son équipe) ont eu une idée géniale : au lieu de changer la couleur du pinceau, changeons sa forme !

Ils ont créé un nouveau type de réseau, le FI-KAN, qui utilise des "fonctions d'interpolation fractale".

L'analogie : Au lieu d'un pinceau lisse, imaginez un pinceau magique qui peut changer de forme instantanément.
- Si vous lui demandez de dessiner une courbe douce, il devient un pinceau lisse.
- Si vous lui demandez de dessiner une côte rocheuse, il se transforme en un pinceau "en dents de scie" qui a des détails à toutes les échelles (des gros rochers jusqu'aux petits cailloux).
- Ce pinceau est apprenant : il ajuste sa propre "rugosité" pendant qu'il apprend, exactement comme un sculpteur qui sent la matière.

3. Les Deux Versions de l'Outil

Les chercheurs ont créé deux versions de ce pinceau magique :

La version "Pure" (Le Sculpteur Fractal) : C'est un outil qui utilise uniquement des formes fractales. Il est incroyable pour dessiner des choses très rugueuses (comme des tremblements de terre ou des terrains accidentés), mais il est un peu maladroit pour dessiner des choses très lisses (comme une pomme).
La version "Hybride" (Le Couteau Suisse) : C'est la version la plus intelligente. Elle combine le meilleur des deux mondes :
- Elle garde le pinceau lisse classique pour les parties douces de l'image.
- Elle ajoute un "correcteur fractal" qui vient peindre les détails rugueux là où c'est nécessaire.
- L'analogie : C'est comme avoir un couteau suisse. Vous avez la lame principale pour les tâches courantes, et vous sortez la petite scie dentelée uniquement quand vous devez couper du bois dur.

4. Pourquoi c'est une Révolution ?

Les tests montrent que cette nouvelle approche est beaucoup plus efficace pour les problèmes difficiles :

Sur les données rugueuses : Là où l'ancien réseau (KAN) échouait ou prenait des heures pour apprendre, le FI-KAN a réussi à dessiner la forme parfaite jusqu'à 79 fois plus vite et plus précisément.
Sur les équations complexes : Dans le monde de la physique, certaines équations (comme celles qui décrivent la diffusion de la chaleur dans un métal imparfait) créent des solutions très "cassées". Le FI-KAN a résolu ces problèmes avec une précision que les anciens réseaux ne pouvaient pas atteindre.
La "Règle d'Or" : Le plus beau, c'est que le réseau apprend quand être lisse et quand être rugueux. Il ne force pas la rugosité si ce n'est pas nécessaire. C'est comme un chef cuisinier qui sait exactement quand utiliser du sel et quand utiliser du sucre, sans en mettre trop.

En Résumé

Imaginez que vous essayez de modéliser le monde.

Les anciens réseaux de neurones sont comme des architectes qui ne savent construire que des bâtiments aux murs lisses et courbes. Ils sont beaux, mais ils ne peuvent pas construire de grottes, de falaises ou de structures complexes.
Le FI-KAN est comme un architecte qui peut construire n'importe quoi : des gratte-ciels lisses ET des grottes fractales, en ajustant la texture de ses briques en temps réel.

C'est une avancée majeure car cela permet à l'intelligence artificielle de mieux comprendre et prédire les phénomènes naturels "sauvages" et complexes qui nous entourent, des tremblements de terre aux signaux médicaux, en passant par la météo.

Titre : FI-KAN : Réseaux de Kolmogorov–Arnold à Interpolation Fractale

1. Problématique

Les architectures d'approximation de fonctions neuronales, telles que les Perceptrons Multicouches (MLP) et les réseaux Kolmogorov–Arnold (KAN), reposent sur des hypothèses implicites concernant la régularité des fonctions cibles.

Limitation des KAN actuels : Les KAN utilisent des bases de B-splines (fonctions lisses, polynomiales par morceaux). Ces bases sont optimales pour des fonctions lisses (régularité de Sobolev ou Besov élevée), mais elles sont fondamentalement inadaptées pour approximer des fonctions non lisses, présentant une régularité de Hölder faible ( $\alpha < 1$ ), une auto-similarité fractale ou des singularités (ex: champs de turbulence, séries temporelles financières, solutions d'EDP avec singularités de coins).
Le défi : Approximer une fonction avec une dimension de boîte (box-counting dimension) $dim_B > 1$ à l'aide de bases lisses nécessite un nombre exponentiel de paramètres pour atteindre une précision donnée, car les propriétés de reproduction polynomiale des splines ne profitent pas à la structure fractale.

L'article propose de combler ce fossé en introduisant des bases d'approximation dont la géométrie peut s'adapter dynamiquement à la régularité de la fonction cible.

2. Méthodologie : FI-KAN

L'auteur introduit le FI-KAN, qui intègre des Fonctions d'Interpolation Fractale (FIF) dérivées de la théorie des Systèmes de Fonctions Itérées (IFS) dans l'architecture KAN.

Concepts Clés :

Fonctions d'Interpolation Fractale (FIF) : Basées sur les travaux de Barnsley (1986) et Navascués (2005), les FIF permettent de construire des fonctions continues dont la dimension fractale est contrôlée par des paramètres de contraction verticaux $\{d_i\}$ .
Paramètres Apprenables : Dans le FI-KAN, les paramètres de contraction $d_i$ de l'IFS ne sont pas fixes ; ils sont traités comme des paramètres apprenables et différentiables. Cela permet au réseau d'ajuster la dimension fractale de chaque fonction d'activation d'arête ( $dim_B$ ) pendant l'entraînement pour correspondre à la régularité de la cible.
Deux Variantes Architecturales :
1. Pure FI-KAN (Cadre de Barnsley) : Remplace entièrement les B-splines par des bases FIF. Elle est conçue pour des cibles fortement fractales. Si $d_i = 0$ , elle se réduit à des fonctions "hat" (linéaires par morceaux).
2. Hybrid FI-KAN (Cadre de Navascués) : Implémente une décomposition $\alpha$ $α$ -fractale $f^\alpha_b = b + h$ $f_{b}^{α} = b + h$ .
  - Le chemin B-spline ( $b$ ) sert d'approximant classique pour la partie lisse.
  - Le chemin FIF ( $h$ ) agit comme une correction fractale pour capturer les détails non lisses.
  - Cette variante est robuste : si la cible est lisse, le chemin fractal s'éteint ( $d \to 0$ ) et le réseau se comporte comme un KAN standard.

Régularisation de la Dimension Fractale :
Un terme de régularisation différentiable est ajouté à la fonction de perte pour pénaliser les dimensions fractales inutiles ( $dim_B > 1$ ). Cela implémente le "rasoir d'Occam" au niveau de la géométrie de la fonction, favorisant les bases lisses sauf si la preuve des données justifie la complexité fractale.

3. Contributions Principales

Deux architectures fondées sur la théorie : Pure FI-KAN et Hybrid FI-KAN, dérivées de cadres mathématiques classiques (Barnsley et Navascués) et non de modifications ad hoc.
Dimension fractale apprenable : Un mécanisme continu et différentiable permettant de faire varier la régularité des bases de lisse ( $dim_B=1$ ) à fractal ( $dim_B > 1$ ).
Contrôle de complexité géométrique : Une régularisation basée sur la dimension fractale qui contrôle la complexité géométrique plutôt que le simple nombre de paramètres.
Validation théorique et empirique : Preuve que l'adéquation entre la régularité de la base et celle de la cible est cruciale. Les bases fractales échouent sur les cibles lisses (obstruction de l'approximation) mais excellent sur les cibles fractales.
Performance sur les EDP non lisses : Validation sur des solutions d'équations aux dérivées partielles (EDP) présentant des singularités de coins et des coefficients rugueux.

4. Résultats Expérimentaux

Les expériences couvrent une large gamme de régularité de Hölder ( $\alpha \in [0.2, 2.0]$ ), des fonctions fractales (Weierstrass, Takagi-Landsberg) et des solutions d'EDP.

Régression 1D et 2D :
- Sur des cibles lisses (polynômes, sinusoïdes), le Hybrid FI-KAN égale ou dépasse légèrement le KAN standard, tandis que le Pure FI-KAN échoue (MSE élevé) car il ne peut pas représenter efficacement la courbure lisse avec des bases fractales.
- Sur des cibles fractales (Weierstrass, dents de scie), le Hybrid FI-KAN surpasse le KAN de 1,3x à 33x (réduction du MSE). Le Pure FI-KAN est également compétitif sur les cibles très rugueuses.
- Robustesse au bruit : Sur des cibles fractales bruitées, le Hybrid FI-KAN maintient un avantage de 4,7x à 6,1x par rapport au KAN, agissant comme un débruiteur multi-échelle implicite.
Solutions d'EDP Non Lisses :
- Diffusion à coefficients rugueux : Le Hybrid FI-KAN réalise une amélioration de 65x à 79x par rapport au KAN sur des problèmes où le coefficient de diffusion est généré par un mouvement brownien fractionnaire.
- Singularités de coins (Domaine en L) : Pour une solution avec une singularité de type $r^{2/3}$ , le Hybrid FI-KAN améliore le MSE de 3,5x.
- Ces résultats démontrent que l'avantage de l'adéquation de régularité s'étend aux structures rugueuses héritées des opérateurs d'EDP.
Analyse de la Dimension Fractale Apprise :
- Le réseau apprend des valeurs de dimension fractale ( $dim_B$ ) qui corrélatent fortement avec la régularité réelle de la cible. Pour une fonction lisse ( $\alpha=2$ ), le Hybrid FI-KAN apprend $dim_B \approx 1$ (inactivation du chemin fractal). Pour une fonction rugueuse, $dim_B > 1$ .

5. Signification et Implications

Principe d'Adéquation de Régularité : L'article établit que la géométrie de la base d'approximation doit correspondre à la régularité géométrique de la fonction cible. Utiliser des bases lisses pour des cibles fractales est fondamentalement inefficace.
Nouvelle Classe d'Architectures : Le FI-KAN est le premier variant de KAN à offrir une dimension fractale apprenable, comblant le fossé entre l'approximation classique (splines) et l'approximation fractale.
Applications Scientifiques : Cette approche est particulièrement pertinente pour les domaines scientifiques où la non-lissitude est la norme plutôt que l'exception : écoulements en milieux poreux hétérogènes, EDP elliptiques sur des domaines non convexes, solutions d'EDP stochastiques, traitement de signaux géophysiques et biomédicaux.
Limites : L'évaluation fractale nécessite des itérations séquentielles, ce qui limite le parallélisme GPU (surcoût d'environ 2,5x pour $K=2$ ). De plus, l'avantage du FI-KAN nécessite une "rugosité structurée" (auto-similaire ou déterministe) ; il ne surpasse pas le KAN sur des réalisations uniques de bruit brownien pur (rugosité non structurée).

En conclusion, le FI-KAN propose une stratégie de conception de bases neuronales principale (principled) qui adapte dynamiquement la géométrie de l'architecture à la complexité du problème, offrant des gains significatifs là où les méthodes traditionnelles échouent.