CEDAR: Agent-Orchestrated Tree Search for Goal-Directed Optimization of Complex Systems

Imaginez que vous essayiez de préparer le gâteau parfait, mais que vous n'ayez pas de recette. Vous n'avez qu'une idée vague : « Il doit être moelleux, sucré et pas trop lourd. » Dans le monde réel, beaucoup de choses — comme la façon dont une ville se développe, la propagation d'un virus ou la réaction d'une économie à une nouvelle loi — sont comme ce gâteau. Ce sont des « systèmes complexes », ce qui signifie qu'ils sont composés de nombreuses parties qui interagissent entre elles en boucles. Si vous changez une chose, cela se répercute sur l'ensemble du système de manière surprenante. Les scientifiques essaient de construire des modèles numériques de ces systèmes depuis des décennies pour prédire l'avenir, mais cela a été un cauchemar. Généralement, cela nécessite qu'un expert humain écrive un code très spécifique et difficile, et même dans ce cas, déterminer comment ajuster le modèle pour obtenir un résultat souhaité revient à essayer de diriger un navire en devinant la direction du vent.

Maintenant, découvrez une nouvelle méthode appelée CEDAR. Voyez cela comme une équipe de chefs robots super intelligents et infatigables travaillant ensemble pour inventer cette recette de gâteau parfaite à partir de zéro. Au lieu qu'un humain écrive le code, CEDAR utilise un type spécial d'intelligence artificielle (un LLM) qui agit comme un « Juge » et un « Éditeur ». L'Éditeur tente de réécrire la recette (le code informatique) pour rendre le gâteau meilleur, tandis que le Juge goûte le résultat et lui donne une note. Mais voici le tour de magie : ils ne se contentent pas de deviner au hasard. Ils utilisent une stratégie appelée « Recherche d'Arbre Monte Carlo » (Monte Carlo Tree Search), qui est comme un détective explorant un immense labyrinthe de branches. À chaque embranchement, le détective demande : « Si je prends ce chemin, trouverai-je un meilleur gâteau ? » Cela permet au système d'explorer des milliers de versions différentes de la recette, en apprenant de ses erreurs et en trouvant des chemins qu'un humain n'aurait jamais pensé à essayer. L'article montre que cette équipe de robots peut prendre un modèle existant et désordonné et l'améliorer automatiquement pour atteindre des objectifs tels que « faire croître la population tout en maintenant une pollution faible », en le faisant plus rapidement et plus créativement que les méthodes traditionnelles.

Le Chef Robot et le Labyrinthe des Possibilités

L'idée centrale de cet article est que nous pouvons utiliser l'IA pour concevoir et améliorer automatiquement des systèmes complexes, qui sont des modèles de choses comme des écosystèmes, des économies ou des populations. Ces systèmes sont délicats car ils sont pleins de boucles de rétroaction — où la sortie d'une partie devient l'entrée d'une autre, créant un réseau de causes et d'effets difficile à prédire. Traditionnellement, la construction de ces modèles était un travail lent et manuel, réalisé par des experts utilisant des logiciels spécialisés et obsolètes. Si vous vouliez modifier le modèle pour voir ce qui se passerait si vous ajoutiez une nouvelle règle, vous deviez réécrire le code vous-même.

CEDAR change la donne en transformant cela en un processus autonome et auto-piloté. Il traite la création d'un modèle de système comme un jeu d'exploration. Le système est représenté sous la forme d'un code Python (un langage de programmation courant) qui simule la façon dont le système évolue au fil du temps. L'objectif est de trouver une version de ce code qui se comporte comme l'humain le souhaite, par exemple : « maximiser la croissance de la population tout en minimisant la pollution ».

Pour ce faire, CEDAR utilise deux agents d'IA travaillant en boucle :

1. L'Éditeur : Cette IA examine le code actuel et les résultats de la simulation. Elle propose ensuite des modifications au code. Elle peut ajuster un chiffre, ajouter une nouvelle relation entre les variables ou changer la façon dont une formule fonctionne. Elle agit comme un chef créatif essayant un nouvel ingrédient.
2. Le Juge : Cette IA exécute le nouveau code, observe le déroulement de la simulation, puis évalue le résultat par rapport à l'objectif. Elle donne une note à la nouvelle version et rédige un rapport détaillé expliquant pourquoi elle a bien ou mal réussi. Elle agit comme un critique gastronomique goûtant le gâteau.

Mais essayer des changements aléatoires ne suffit pas. C'est là qu'intervient la Recherche d'Arbre Monte Carlo (MCTS). Imaginez un arbre où le tronc est votre modèle de départ. Chaque fois que l'Éditeur effectue un changement, il fait pousser une nouvelle branche. L'algorithme MCTS décide quelles branches explorer ensuite. Il ne choisit pas seulement celle qui semble la meilleure sur le moment ; il équilibre l'exploration de nouvelles idées étranges (pour trouver des pépites cachées) avec l'approfondissement des chemins les plus prometteurs. Cela empêche le système de rester bloqué dans une solution « assez bonne » locale et l'aide à trouver des résultats vraiment exceptionnels.

Les Expériences : De la Dynamique du Monde à la Croissance de la Population

L'auteur a testé CEDAR sur deux défis principaux pour voir s'il pouvait réellement fonctionner.

Défi 1 : Le Gâteau de la « Dynamique du Monde »
Le premier test a utilisé un modèle complexe célèbre appelé « World Dynamics », qui simule la coévolution de la population humaine, des ressources naturelles et de la pollution. Le modèle original, créé par un expert humain dans les années 1970, montrait que si l'on laisse les choses faire, la population augmente, les ressources s'épuisent et la pollution explose. L'objectif pour CEDAR était de modifier ce modèle pour trouver un « point d'équilibre » où la population pourrait croître, mais où les ressources ne s'épuiseraient pas et la pollution resterait faible.

Les résultats ont été impressionnants. CEDAR n'a pas seulement trouvé une petite amélioration ; il a découvert de nouvelles façons de rééquilibrer le système. Lors d'un essai, il a réussi à augmenter la population de 6,4 fois (passant de 1,65 milliard à 10,57 milliards) sur 200 ans, tout en ne consommant que 19,9 % des ressources naturelles et en maintenant l'accumulation de pollution extrêmement basse. C'est une amélioration massive par rapport au modèle original, qui montrait un épuisement massif des ressources et des pics de pollution. L'article note que différents « cerveaux » d'IA (comme Claude et GPT-5.1) ont trouvé des solutions différentes, prouvant que CEDAR peut découvrir une variété de solutions valides, et non une seule réponse unique.

Défi 2 : Deviner la Recette à partir du Gâteau
Le second défi était encore plus difficile. L'équipe a donné à CEDAR un système de « vérité terrain » — un modèle de population complexe avec des éléments aléatoires et imprévisibles (comme un taux de mortalité qui change aléatoirement à chaque étape). Ils n'ont pas donné la formule de ce système à CEDAR. Au lieu de cela, ils lui ont donné un enregistrement des chiffres de la population au fil du temps et lui ont demandé de construire un modèle capable de reproduire cet enregistrement.

Pour que le test soit équitable, ils ont comparé CEDer à un outil d'optimisation standard appelé Optuna. Ils ont donné à Optuna trois niveaux d'aide différents :

• Sans Formules : Juste deux chiffres simples (taux de natalité et de mortalité).
• Formules Simples : Une boucle de rétroaction basique.
• Formules Complètes : La structure mathématique exacte du système réel (la structure connue).

Même si CEDAR est parti de zéro formule (il a dû inventer la structure lui-même), il a surpassé Optuna même lorsque celui-ci disposait des formules complètes (la structure connue). Dans les simulations, CEDAR a obtenu un taux d'erreur plus faible (distance L1 de 2,22) par rapport à Optuna avec les formules complètes (distance L1 de 3,71). Cela suggère que CEDAR est si performant pour explorer l'espace des possibilités qu'il peut déduire les règles sous-jacentes d'un système simplement en observant les données, sans avoir besoin qu'un humain lui indique d'abord les équations.

Pourquoi cela importe (et ce que cela ne fait pas)

L'article suggère que cette approche pourrait rendre la modélisation de systèmes complexes beaucoup plus accessible. Au lieu d'avoir besoin d'un doctorat en dynamique des systèmes pour écrire du code, un utilisateur pourrait simplement décrire un objectif en langage naturel, et CEDAR ferait le plus gros du travail. Cela apporte également de l'« interprétabilité », ce qui signifie que l'IA explique pourquoi elle a effectué des changements. Par exemple, dans l'expérience de la Dynamique du Monde, l'IA a expliqué qu'elle avait réduit l'utilisation des ressources de 25 à 40 % et la génération de pollution de 30 à 40 % pour atteindre un meilleur équilibre. Ces explications aident les humains à comprendre les compromis que l'IA opère.

Cependant, l'auteur est prudent quant à ses affirmations. Il précise que, bien que les résultats soient solides dans ces simulations, les garanties théoriques de la méthode (la preuve mathématique qu'elle trouvera toujours la meilleure réponse) restent une question ouverte. Il note également que le « Juge » et l'« Éditeur » sont tous deux des modèles de langage de grande taille, ce qui signifie qu'il existe un léger risque qu'ils renforcent mutuellement leurs erreurs, bien que la structure de recherche en arbre aide à prévenir cela. L'article ne prétend pas que ce problème est résolu pour tous les scénarios du monde réel, mais plutôt qu'il s'agit d'un nouvel outil puissant suggérant que nous pouvons automatiser la découverte de comportements de systèmes complexes de manières qui étaient auparavant impossibles.

En bref, CEDAR est comme donner à une équipe d'explorateurs IA une carte d'une vaste forêt inexplorée (l'espace de tous les modèles de systèmes possibles) et une boussole (l'objectif). Au lieu de errer sans but, ils utilisent une stratégie intelligente pour trouver les clairières les plus belles et les plus utiles, découvrant souvent des sentiers qu'un randonneur humain n'aurait jamais pensé à chercher.