Multifractal signatures of AI, animal, nature, cave, and human art

Résumé technique : Signatures multifractales de l'art généré par l'IA, animal, naturel, rupestre et humain

Énoncé du problème
L'étude traite de l'absence de comparaisons systématiques et quantitatives entre diverses catégories de marquage : l'imagerie générée par intelligence artificielle (IA), les peintures animales, l'art rupestre préhistorique, l'art figuratif humain, les fractales mathématiques et les photographies naturelles. Bien que l'analyse fractale et multifractale ait été appliquée à des artistes spécifiques (par exemple, Pollock, van Gogh) et à des paysages naturels, un cadre unifié comparant ces sources distinctes de textures visuelles fait défaut. L'article examine si les paramètres multifractaux peuvent discriminer ces catégories et explore la mesure dans laquelle ces signatures statistiques pourraient servir de corrélats pour l'intentionnalité, l'attention et les processus cognitifs, tout en mettant explicitement en garde contre une surinterprétation de la texture comme preuve directe de la conscience.

Méthodologie
La recherche a utilisé un ensemble de données de 142 images classées en six groupes : art généré par IA ($n=19$), peintures animales ($n=24$), dessins rupestres préhistoriques ($n=35$), peintures humaines d'un artiste unique, Nicolae Grigorescu ($n=16$), fractales mathématiques ($n=23$) et photographies naturelles ($n=25$).

• Prétraitement : Les images ont été converties en niveaux de gris, recadrées en un carré central de ratio 1:1 pour assurer une mise à l'échelle isotrope, et normalisées selon les valeurs d'intensité des pixels entre 0 et 1.
• Pipeline d'analyse multifractale : Un pipeline basé sur Python a implémenté une approche standard de fonction de partition. Les images ont été analysées par une méthode de comptage de boîtes sur la magnitude des gradients d'intensité. Le processus comprenait :
  • La partition des images en boîtes non chevauchantes de tailles variables (8 échelles espacées logarithmiquement).
  • Le calcul de la fonction de partition $Z(q,s)$ pour des ordres de moment $q \in [-10, 10]$.
  • La dérivation de l'exposant de masse $\tau(q)$ via une régression linéaire en espace log-log.
  • Le calcul des dimensions fractales généralisées ($D_q$) et du spectre de singularité via la transformée de Legendre.
• Paramètres : Six paramètres clés ont été extraits : dimension de capacité ($D_0$), dimension d'information ($D_1$), dimension de corrélation ($D_2$), largeur du spectre ($\Delta\alpha$), force de singularité ($\alpha_0$) et asymétrie spectrale ($A$).
• Analyse statistique : En raison de violations fréquentes de la normalité (évaluées via les tests de Shapiro–Wilk), l'étude a employé des statistiques non paramétriques. Les différences globales ont été testées par des tests H de Kruskal–Wallis, suivis de tests U de Mann–Whitney appariés avec correction de Bonferroni.

Résultats clés
L'analyse a révélé que si les dimensions généralisées ($D_0, D_1, D_2$) présentaient une variation modérée entre les catégories, les descripteurs d'ordre supérieur — spécifiquement la largeur du spectre ($\Delta\alpha$), la force de singularité ($\alpha_0$) et l'asymétrie ($A$) — étaient les principaux discriminateurs.

1. Art généré par l'IA : A présenté les spectres multifractaux les plus larges ($\Delta\alpha = 1,382$) de toutes les catégories, dépassant significativement les photographies naturelles et l'art humain (qui présentaient les spectres les plus étroits à $\Delta\alpha = 0,613$). Les images d'IA étaient statistiquement bien comportées (distributions majoritairement normales) mais démontraient une hétérogénéité « hyper-multifractale ». Notamment, les images d'IA se regroupaient autour de faibles valeurs d'asymétrie ($0,359$), tandis que les images humaines affichaient la plus haute asymétrie positive moyenne ($1,814$) de toutes les catégories.
2. Peintures animales : En moyenne, le marquage animal correspondait aux photographies naturelles en largeur de spectre ($\Delta\alpha \approx 1,1$). Cependant, une variation individuelle significative a été observée. Un chimpanzé (Congo) a produit des images avec une asymétrie élevée et des détails fins, tandis qu'un éléphant (Suda) a produit des textures symétriques et rythmiques. La catégorie présentait une normalité mixte, dictée par ces différences individuelles.
3. Art rupestre : A affiché la plus grande uniformité spatiale (valeurs $D_1$ et $D_2$ les plus élevées) de toutes les catégories, approchant les maximums théoriques. Cependant, la catégorie était la plus hétérogène globalement, montrant une forte non-normalité sur cinq des six métriques. Cela suggère que l'« art rupestre » n'est pas un style monolithique mais varie considérablement selon le site, le substrat et les conditions de préservation.
4. Peintures humaines (Grigorescu) : Présentaient le spectre le plus étroit ($\Delta\alpha = 0,613$) et la plus haute asymétrie positive moyenne ($1,814$). Cette asymétrie élevée était largement due à une seule peinture aberrante (Peasant Girl Resting) présentant un contraste figure-fond extrême. Aucune image d'IA, peinture animale ou photographie de l'échantillon n'approchait cette valeur d'asymétrie ; le seul cas comparable était une peinture rupestre.
5. Fractales mathématiques : Caractérisées par la dimension de capacité ($D_0$) la plus élevée et une asymétrie proche de zéro, ce qui est cohérent avec leur construction déterministe et formelle.

Signification et affirmations
L'article affirme que l'analyse multifractale fournit une méthode quantitative pour distinguer les signatures de texture à travers des sources biologiques, culturelles et synthétiques. La principale contribution empirique est la démonstration que la largeur du spectre, $\alpha_0$ et l'asymétrie sont des discriminateurs plus efficaces que les dimensions généralisées.

Concernant l'interprétation, l'auteur propose une « hypothèse esthétique de travail » où les signatures multifractales sont traitées comme des corrélats candidats — et non des preuves — de l'intentionnalité, de l'organisation compositionnelle et du contrôle moteur. L'article cadre explicitement le lien entre les statistiques de texture et les états cognitifs (ex: le flux, l'attention, la conscience) comme étant spéculatif et heuristique. Il introduit un « spectre de la conscience » (Tableaux 7–9) pour générer des hypothèses testables, tout en soulignant que ces associations n'ont pas été validées par des marqueurs comportementaux, physiologiques ou neuraux indépendants.

L'étude conclut que :

• Les textures de l'IA possèdent des spectres multifractaux distincts et plus larges que les sources humaines ou naturelles, bien qu'elles partagent des caractéristiques de faible asymétrie avec les photographies naturelles dans cet échantillon, se distinguant ainsi de l'art humain.
• L'art animal ne peut être traité comme une catégorie uniforme ; la variation individuelle (ex: entre Congo et Suda) est substantielle.
• L'art rupestre présente une grande uniformité spatiale mais une hétérogénéité importante selon les sites, remettant en question la notion d'un « style paléolithique » unique.
• Un contraste figure-fond extrême (asymétrie élevée) dans l'art humain a été observé dans la production de l'artiste échantillonné et n'est apparu dans aucune autre catégorie de l'échantillon, bien que l'auteur précise que cela ne peut être résolu comme une réussite cognitive uniquement humaine par les seules statistiques de texture.

L'auteur met en garde contre le fait que les statistiques de texture seules ne peuvent résoudre le « problème des autres esprits » ni attribuer de manière définitive des états conscients à des créateurs non humains ou à des systèmes d'IA. L'étude sert de point de départ pour des travaux futurs qui combineront l'analyse multifractale avec des mesures indépendantes de l'engagement et de la cognition.