🔬 physics

Quantum-Tunnelling Oscillators for Cognitive Modelling and Neural Computation: Foundations, Machine-Vision Realisation and Applications

Cet article présente un modèle d'oscillateur à effet tunnel quantique servant de moteur dynamique universel pour simuler la cognition humaine et la prise de décision collective, en traitant les individus comme des agents quantiques dont les choix évoluent via des transitions dépendantes du contexte au sein d'un réseau neuronal reproduisant des phénomènes perceptifs et décisionnels complexes.

Auteurs originaux : Ivan S. Maksymov

Publié 2026-04-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ivan S. Maksymov

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

🌌 Le Cerveau comme une Montagne Russe Quantique

Imaginez que votre cerveau ne fonctionne pas comme un ordinateur classique (qui choisit soit A, soit B, comme un interrupteur allumé/éteint), mais plutôt comme une montagne russe quantique.

L'auteur de ce papier, Ivan Maksymov, propose une idée fascinante : pour comprendre pourquoi les humains prennent des décisions bizarres, changent d'avis soudainement ou voient des illusions d'optique, nous devons utiliser les lois de la physique quantique (celles des atomes et des électrons) pour modéliser la pensée.

Voici les trois piliers de son idée, expliqués avec des métaphores du quotidien :

1. Le "Tunnel" dans la Tête (L'illusion d'optique)

Imaginez que vous regardez un dessin ambigu, comme le Cube de Necker (un cube en fil de fer qui semble changer de direction quand on le fixe) ou le Vase de Rubin (qui est soit un vase, soit deux visages qui se regardent).

La vision classique : Votre cerveau dirait : "C'est soit un cube, soit un vase. Je choisis."
La vision de l'auteur : Votre cerveau est comme un électron qui se promène dans une vallée avec une colline au milieu.
- D'un côté de la colline, c'est l'option "Cube". De l'autre, c'est l'option "Vase".
- En physique classique, pour passer d'un côté à l'autre, il faut avoir assez d'énergie pour grimper la colline.
- Mais en physique quantique, l'électron peut passer à travers la colline comme un fantôme ! C'est ce qu'on appelle l'effet tunnel.

La métaphore : Votre esprit ne "saute" pas brusquement d'une idée à l'autre. Il "tunnelise" à travers les doutes. Il traverse la barrière de l'incertitude pour changer d'avis, même si cela semble impossible logiquement. C'est pourquoi votre perception oscille doucement entre les deux images avant de se stabiliser.

2. Les Bulles Sociales et les "Murs Invisibles"

Maintenant, imaginez que vous êtes dans une salle de discussion (ou sur Facebook). Vous avez vos opinions, et vos amis ont les leurs.

Le modèle : L'auteur imagine chaque personne comme une petite particule dans une "valle" (une bulle sociale).
Le problème : Quand tout le monde pense pareil (une bulle sociale), il y a des murs très hauts entre les différentes opinions. Pour changer d'avis, il faudrait beaucoup d'énergie (beaucoup d'arguments) pour franchir ces murs.
La solution quantique : Grâce à l'effet tunnel, il est possible de traverser ces murs d'opinion sans avoir l'énergie nécessaire. Cela explique pourquoi, parfois, une idée nouvelle peut soudainement percer une communauté fermée, ou pourquoi les gens peuvent basculer d'un extrême à l'autre sans raison logique apparente.

C'est comme si les gens dans une bulle sociale étaient coincés dans un couloir, mais que la physique quantique leur permettait de traverser les murs pour voir ce qu'il y a de l'autre côté, créant ainsi des phénomènes de polarisation ou de changement d'opinion rapide.

3. L'Ordinateur qui "Pense" comme un Humain

Le plus excitant, c'est que l'auteur a utilisé cette idée pour créer un nouveau type d'intelligence artificielle (IA).

Les IA actuelles : Elles sont très fortes, mais elles sont un peu rigides. Si on leur montre une photo floue d'un camion militaire ou civil dans la brume, elles peuvent se tromper grossièrement.
L'IA de l'auteur : Il a programmé son réseau de neurones pour qu'il utilise l'effet tunnel. Au lieu de dire "C'est un camion" ou "Ce n'est pas un camion" immédiatement, l'IA hésite, oscille, et traverse les doutes comme un humain le ferait.

L'exemple concret : Dans le papier, il teste cette IA avec des camions militaires et civils qui se ressemblent beaucoup (parfois utilisés dans des zones de guerre).

Une IA classique pourrait dire "C'est un civil" alors que c'est un militaire, ou vice-versa, de manière très bête.
L'IA "quantique" hésite, oscille entre les deux possibilités, et finit par prendre une décision qui ressemble beaucoup plus à ce qu'un humain ferait : elle se trompe de la même manière qu'un humain se tromperait (par exemple, confondre un camion de pompiers rouge avec un véhicule militaire à cause de la couleur).

Pourquoi est-ce important ?

L'auteur écrit ce papier avec une motivation très personnelle : la guerre en Ukraine. Il observe comment les gens changent d'avis, comment les perceptions se brouillent et comment les décisions sont prises dans l'incertitude.

Son but n'est pas de dire que notre cerveau est fait d'électrons (ce n'est pas le cas), mais que les mathématiques de la physique quantique sont le meilleur outil pour décrire la complexité de la pensée humaine.

En résumé :

Nous ne sommes pas des robots : Nos choix ne sont pas fixes, ils oscillent.
Le doute est un tunnel : Changer d'avis, c'est traverser un tunnel quantique, pas juste tourner une page.
Les machines peuvent apprendre à douter : En imitant ce mécanisme, nous pouvons créer des IA plus intelligentes, plus humaines et plus capables de gérer le flou du monde réel.

C'est une façon poétique et scientifique de dire que pour comprendre l'humain, il faut accepter que nous sommes parfois dans un état de "superposition" (à la fois d'accord et pas d'accord) avant de faire notre choix.

1. Problématique et Contexte

L'article aborde les limites des théories classiques de la prise de décision (comme la théorie de l'utilité attendue et la théorie des perspectives cumulées) qui supposent des préférences stables et déterministes. Ces modèles échouent à expliquer les irrégularités systématiques observées dans le comportement humain, telles que :

La variabilité des choix dans des conditions identiques (répétition de décisions).
Les paradoxes cognitifs (ex. : paradoxe d'Ellsberg).
La perception ambiguë (ex. : illusions optiques comme le cube de Necker).
La polarisation des opinions et la formation de « bulles sociales » dans les réseaux.

L'auteur propose que ces phénomènes, souvent contre-intuitifs pour la logique classique, peuvent être mieux modélisés en utilisant la structure mathématique de la mécanique quantique, non pas en postulant que le cerveau est un système quantique physique, mais en appliquant la théorie de la cognition quantique (superposition, interférence, dépendance au contexte).

2. Méthodologie

L'approche proposée repose sur trois piliers méthodologiques interconnectés :

A. Le Modèle de l'Oscillateur à Effet Tunnel

L'auteur étend le modèle oscillatoire quantique (initialement proposé par Busemeyer et Bruza) en y intégrant l'effet tunnel.

Concept physique : Un électron est modélisé comme un paquet d'ondes se déplaçant dans un puits de potentiel (parabolique ou rectangulaire).
Représentation cognitive : Les états de perception (ex. : orientation du cube de Necker) sont représentés par des états quantiques $|0\rangle$ et $|1\rangle$ .
Dynamique : Contrairement aux modèles classiques où le changement d'état est instantané, le modèle quantique permet une transition continue via le tunneling à travers une barrière de potentiel. Cela génère des oscillations de probabilité et des états de superposition, mimant la dynamique fluide et non linéaire de la perception humaine.
Simulation : Les équations de Schrödinger sont résolues numériquement via la méthode des différences finies dans le domaine temporel (FDTD).

B. Modélisation des Réseaux Sociaux et des Bulles d'Opinion

Le modèle est étendu aux interactions collectives :

Analogie physique : Les individus sont représentés comme des particules dans des puits de potentiel. Les interactions sociales sont modélisées par le couplage de ces puits.
Formation de bulles : Un environnement social restrictif (une « bulle ») est représenté par un puits de potentiel confinant qui discrétise les états d'énergie (croyances).
Polarisation : L'apparition de « bandes interdites » (gaps énergétiques) dans le spectre des états possibles modélise la résistance au changement d'opinion et la polarisation. L'introduction d'une information contradictoire est simulée par une perturbation d'un puits, nécessitant une énergie (information) supplémentaire pour franchir la barrière.

C. Réseaux de Neurones Cognitionnels Quantiques (QTNN)

L'auteur conçoit une architecture de réseau de neurones profond où l'activation des neurones est régie par les probabilités de transmission quantique (effet tunnel) plutôt que par des fonctions d'activation classiques (comme ReLU).

Fonction d'activation : La probabilité de transmission $T$ d'une barrière de potentiel remplace la fonction d'activation standard.
Apprentissage : Le réseau est entraîné par rétropropagation du gradient, en utilisant les dérivées des coefficients de transmission quantique.
Données : Le modèle est testé sur des illusions optiques (Cube de Necker, Vase de Rubin) et un jeu de données réel d'images de camions civils et militaires dans des zones de conflit.

3. Résultats Clés

Perception Ambiguë : Le modèle reproduit qualitativement les données expérimentales de la perception bistable. Il montre des transitions continues entre les états $|0\rangle$ et $|1\rangle$ avec des périodes de superposition, contrairement aux sauts discrets des modèles classiques. L'épaisseur de la barrière de potentiel permet de moduler la fréquence des basculements, simulant l'effet de l'attention ou de la fatigue visuelle.
Dynamique Sociale : La simulation des réseaux sociaux montre que le couplage entre les « puits » individuels conduit à la formation de structures de bandes d'énergie. Les « gaps » énergétiques correspondent à la polarisation des opinions, rendant le changement de croyance difficile (nécessitant une énergie/information élevée).
Classification d'Images Ambiguës :
- Sur les illusions optiques, le réseau neuronal quantique (QTNN) oscille entre les interprétations possibles, imitant le comportement humain.
- Sur les images de camions (civils vs militaires), le QTNN présente une capacité supérieure à gérer l'ambiguïté. Là où les réseaux classiques classifient de manière binaire et parfois erronée des camions civils complexes comme militaires, le QTNN maintient une probabilité de superposition plus élevée pour les cas ambigus, reflétant mieux le processus de décision humaine incertaine.
- Le modèle reproduit des biais humains plausibles (ex. : confusion entre camions de pompiers rouges et véhicules militaires en raison de l'association couleur/danger).

4. Contributions Principales

Extension Physique de la Cognition Quantique : Introduction de l'effet tunnel comme mécanisme central pour modéliser la transition entre états cognitifs, offrant une base physique plus riche que les simples modèles d'oscillation harmonique.
Unification des Échelles : Démonstration qu'un même formalisme (puits de potentiel quantique) peut modéliser la perception individuelle (micro), la dynamique des bulles sociales (méso) et les réseaux de neurones artificiels (macro).
Nouvelle Architecture d'IA : Développement d'un réseau de neurones profond dont les fonctions d'activation sont dérivées de la mécanique quantique, capable de traiter l'incertitude et l'ambiguïté de manière intrinsèque.
Application Critique : Application du modèle à un problème de sécurité réel (classification de véhicules en zone de conflit), montrant comment une approche inspirée de la cognition quantique peut réduire les erreurs de classification fatales en mimant le jugement humain nuancé.

5. Signification et Perspectives

Cet article propose un cadre théorique robuste pour dépasser les limites des modèles déterministes et probabilistes classiques en sciences cognitives et en intelligence artificielle.

Pour la science cognitive : Il valide l'idée que la superposition et l'interférence sont des outils mathématiques puissants pour décrire la fluidité de la pensée humaine et la réversibilité des perceptions.
Pour l'IA : Il ouvre la voie à des systèmes d'IA plus « humains » dans leur traitement de l'ambiguïté, capables de maintenir des états d'incertitude plutôt que de forcer une décision prématurée.
Pour la société : La modélisation des bulles sociales et de la polarisation offre des pistes pour concevoir des algorithmes de recommandation qui préservent la diversité cognitive plutôt qu'elle ne l'accentue.

L'auteur conclut que cette approche, bien que mathématiquement abstraite, est ancrée dans des principes physiques réels et offre une voie prometteuse pour comprendre la complexité du comportement humain sous incertitude, avec des applications potentielles allant de la psychologie à la défense.