Résumé Technique : Diriger l'Évolution Ouverte de la Vie Artificielle via la Divergence de Trajectoire Multi-Échelle

1. Énoncé du Problème

Le domaine de la Vie Artificielle (ALife) vise à atteindre une Évolution Ouverte (OEE) — la génération soutenue de formes et de comportements nouveaux. Cependant, les approches actuelles pour piloter l'OEE reposent lourdement sur des métriques de type « boîte noire » ininterprétables, dérivées de réseaux de neurones (ex: recherche de nouveauté, archives de diversité-qualité). Ces métriques manquent d'un lien principled avec les théories physiques de la complexité, laissant les systèmes simulant la vie déconnectés de la physique sous-jacente qui régit la complexité biologique réelle.

Bien que la Complexité Structurelle Multi-Échelle (MSSC) offre une approche ancrée dans la physique pour les motifs spatiaux statiques basée sur la théorie du groupe de renormalisation (RG), elle est intrinsèquement statique. Les systèmes biologiques réels sont dynamiques. Le défi central abordé par cet article est de définir un scalaire formel, explicite et calculable qui :

1. Optimise simultanément la complexité tout en révélant sa base physique.
2. Étend le concept de complexité spatiale multi-échelle au domaine temporel.
3. Évite les mécanismes de boîte noire, fournissant un lien transparent avec des théories physiques telles que la frustration (l'incapacité d'un système à se stabiliser dans un équilibre global unique en raison d'interactions compétitives).

2. Méthodologie : Divergence de Trajectoire Multi-Échelle (MSPD)

Les auteurs introduisent la Divergence de Trajectoire Multi-Échelle (MSPD), notée $D_P$, un scalaire de métrique inspiré du groupe de renormalisation. La MSPD quantifie l'organisation temporelle multi-échelle de l'hétérogénéité des lois de transition locales.

2.1 Cadre Théorique

La méthode repose sur un modèle de configuration où l'état du système est une application $x: \mathcal{I} \to E$ (de degrés de liberté locaux vers des états locaux).

• Lois de Transition Locales : Pour une configuration actuelle $x$, le système définit une loi de transition $T^i_{\Delta t}(x)$ pour chaque degré de liberté local $i$. Cela représente la distribution de probabilité du changement d'état en $i$ étant donné la configuration globale.
• Hétérogénéité Dynamique au Niveau de l'État ($\mathcal{H}_{\Delta t}$) : Elle mesure la dissimilarité par paire entre les lois de transition de différents composants locaux au sein d'un même état. Si tous les composants locaux se comportent de manière identique, l'hétérogénéité est nulle. Si différentes régions présentent des règles dynamiques distinctes, l'hétérogénéité augmente.
• MSPD de Trajectoire : Contra-rément à l'hétérogénéité statique, la MSPD mesure comment cette trace d'hétérogénéité évolue au cours du temps à travers différentes échelles temporelles. Elle traite la trace d'hétérogénéité comme une fonction et calcule sa sensibilité au coarsening (grossissement) temporel.
  • La métrique est définie comme l'intégrale du carré de la dérivée logarithmique de l'échelle de la trace d'hétérogénéité, normalisée par la puissance du signal à cette échelle.
  • Mathématiquement, elle capture les systèmes où les dynamiques exprimées à différentes résolutions temporelles diffèrent significativement (organisation dépendante de l'échelle), les distinguant du bruit stationnaire ou purement aléatoire.

2.2 Estimateur Computationnel

Puisque les lois de transition exactes sont inobservables dans les simulations, les auteurs proposent un estimateur à fenêtre de résolution finie :

1. Suivi de Trajectoire : Le système suit des porteurs locaux (particules, sites de réseau, ou sondes de masse) au fil du temps.
2. Lois de Transition Fenêtrées : Les lois de transition locales sont estimées empiriquement sur des fenêtres de temps finies $I_k$ et des décalages $\tau$.
3. Dissimilarité par Paire ($\Delta H$) : La distance de Wasserstein-1 (approximée via la Sliced Wasserstein, $SW_1$) est utilisée pour mesurer la divergence entre les lois de transition empiriques de différents porteurs.
4. Agrégation : L'estimateur agrège ces dissimilarités par paire à travers une grille d'échelles temporelles pour calculer le score final de MSPD.
5. Consistance : L'article fournit des propositions prouvant que l'estimateur empirique converge vers le fonctionnel de trajectoire théorique sous des conditions de stationnarité locale et d'échantillonnage suffisant.

2.3 Application aux Substrats

Le protocole est appliqué à trois substrats distincts, adaptant la définition de "porteurs locaux" et de "lois de transition" pour chacun :

• Automates Cellulaires (CA) de type Vie : Les porteurs locaux sont les sites du réseau ; les lois de transition sont catégorielles (états du voisinage avant/après).
• Flow-Lenia : Un automate cellulaire continu conservant la masse. Les porteurs locaux sont des traceurs de masse passifs ; les lois de transition sont des lois empiriques de déplacements en temps fini.
• Particle Life++ : Un système de particules médié par un réseau de neurones. Les porteurs locaux sont des particules ; les lois de transition sont des lois empiriques de déplacements de particules dérivées des poids d'interaction neuronaux.

3. Contributions Clés

L'article présente quatre contributions principales :

1. Définition de la MSPD : Introduit la MSPD comme une extension temporelle de la MSSC spatiale, définie comme un fonctionnel de la trajectoire réalisée via des lois de transition locales, avec un estimateur de résolution finie fenêtré cohérent.
2. Double Rôle : Démontre que la MSPD fonctionne efficacement à la fois comme une fonction de fitness sans gradient pour l'optimisation évolutive et comme une lentille analytique post-hoc pour exposer les lois de transition locales de toute simulation.
3. Séparation du Signal et du Bruit : Montre que les paramètres optimisés par MSPD produisent des scores de complexité testés (held-out) plus élevés que des paramètres aléaux appariés. Crucialement, les états de haute-$\Delta H$ (haute hétérogénéité) sont liés à une plus grande instabilité sous des interventions externes, indiquant que la métrique suit les dynamiques sous-jacentes plutôt que le bruit.
4. Ancrage Physique via la Frustration : Établit qu'une MSPD plus élevée correspond à une frustration dépendante de l'échelle plus forte. Les systèmes optimisés présentent des différences plus marquées entre les dynamiques exprimées à différentes étendues spatiales par rapport aux déroulements non contraints. Cela lie directement la MSPD au critère de frustration de la complexité biologique (Vanchurin et al., Wolf et al.) sans que la métrique ne soit explicitement optimisée pour la frustration.
5. Généralisabilité : Valide que le protocole est transférable à des substrats qualitativement différents (CA discrets, champs de masse continus et systèmes de particules neuronaux).

4. Résultats Expérimentaux

Les auteurs valident la MSPD à travers une série de revendications (N0, C1, C2, C5) :

• N0 (Calibration Synthétique) : La MSPD distingue correctement le bruit statique, le mouvement homogène et la complexité temporellement organisée.
  • Résultat : Les particules statiques et les amas mobiles cohérents (S0, S3) produisent une MSPD proche de zéro. Les systèmes avec des transitions temporellement étendues ou des événements scindés (S6, S8) produisent une MSPD élevée. Cela confirme que la MSPD mesure l'organisation temporelle de l'hétérogénéité, et non simplement le mouvement brut ou la nouveauté visuelle.
• C1 (Optimisation vs Contrôles Aléatoires) :
  • Particle Life++ : Les paramètres optimisés ont produit des scores MSPD significativement plus élevés que les contrôles aléatoires appariés (confirmé statistiquement).
  • CA de type Vie : Des balayages exhaustifs ont identifié des règles ayant une MSPD plus élevée que les règles aléatoires.
  • Flow-Lenia : Les points de contrôle optimisés ont montré un contraste positif dans 6/9 groupes, bien que la signification statistique n'ait pas été atteinte sous le protocole actuel à budget fini (attribué au bruit de déroulement).
• C2 (Instabilité à l'Intervention) :
  • Résultat : Les états présentant une plus grande hétérogénéité des lois de transition locales au temps présent ($\Delta H$) ont présenté une plus grande divergence future lorsqu'ils ont été soumis à de petites perturbations (inversions de bits pour CA, bruit gaussien pour Flow-Lenia). Cela confirme que les états de haute-MSPD sont dynamiquement instables et sensibles à l'intervention.
• C5 (Frustration Dépendante de l'Échelle) :
  • Résultat : Les systèmes à haute MSPD ont montré des différences plus importantes entre les déroulements contraints et non contraints par rapport aux contrôles aléatoires. Cela démontre que la métrique capture la signature de la "frustration" (non-ergodicité et paysages accidentés) caractéristique de la complexité biologique, même si l'objectif d'optimisation était purement la MSPD.

5. Signification et Revendications

L'article affirme que la MSPD fournit un pont principlé entre l'ingénierie des systèmes d'ALife et la physique de la complexité.

• Au-delà des Boîtes Noires : Contrairement aux moteurs basés sur les réseaux de neurones, la MSPD est une formule explicite. Elle ne nécessite ni entraînement ni descripteurs ajustés manuellement.
• Interprétabilité Physique : En liant la haute complexité à la frustration dépendante de l'échelle, la MSPD s'aligne sur les théories physiques (analogies de verres de spin) qui voient la vie comme une forme de matière frustrée. Elle suggère que la complexité biologique émerge de l'incapacité du système à se stabiliser dans un équilibre unique, une propriété que la MSPD quantifie directement.
• Cadre Unifié : La capacité d'appliquer la même métrique à travers des substrats discrets, continus et neuronaux suggère une approche universelle pour mesurer et diriger l'évolution ouverte basée sur l'organisation temporelle des dynamiques locales.

Les auteurs maintiennent un ton modeste, reconnaissant des limites telles que la sensibilité de la métrique au choix de la fenêtre/du décalage et le coût computationnel du suivi de trajectoire à haute résolution. Ils positionnent la MSPD non pas comme une définition universelle de la complexité pour tous les processus, mais comme un aspect spécifique et mesurable de la complexité dynamique pour les systèmes où les lois de transition locales sont significatives.