💻 computer science

Knowledge-Constrained Neural Completion of Islamic Geometric Patterns with Symmetry Guarantees

Cet article présente un cadre neuronal à contraintes de connaissances qui intègre des règles géométriques formelles dans un modèle de complétion de graphes afin de garantir une symétrie rotationnelle exacte et la validité structurelle des motifs géométriques islamiques, démontrant que si l'augmentation de données améliore la fidélité, seule l'inférence structurée par la symétrie assure l'absence de violations.

Auteurs originaux : Hassan Ugail, Irfan Mehmood

Publié 2026-06-25

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hassan Ugail, Irfan Mehmood

Article original sous licence CC BY 4.0 (https://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 terminer une mosaïque magnifique et complexe, mais que vous n'avez que quelques carreaux éparpillés et un croquis sommaire de l'endroit où devrait se trouver le centre. Le but est de compléter le reste de l'image de sorte qu'elle respecte une règle stricte : chaque pièce doit s'insérer dans un cercle parfait et répétitif. Si même une seule tuile est légèrement décentrée ou ne correspond pas à sa partenaire de l'autre côté, l'ensemble du dessin est considéré comme « brisé » ou invalide.

Ce document traite de la manière d'apprendre à un ordinateur à terminer ces motifs géométriques islamiques (qui sont célèbres pour leur symétrie parfaite) sans commettre d'erreurs.

Voici la décomposition de leur méthode, en utilisant des analogies simples :

1. Le problème : Le « jeu de devinettes » contre le « livre de règles »

Habituellement, lorsque les ordinateurs essaient de dessiner ou de compléter des images, ils agissent comme un jeu de devinettes. Ils observent des milliers d'exemples et tentent de deviner statistiquement à quoi ressemblera la ligne suivante.

Le risque : Un ordinateur peut deviner une ligne qui semble correcte à l'œil humain, mais si vous la mesurez avec une règle, elle est légèrement de travers. Dans le monde de la géométrie islamique, une ligne de travers n'est pas seulement une petite erreur ; elle brise toute la structure mathématique. Le motif n'est plus valide.

2. La solution : Le « réseau d'orbites » (Orbit Lattice)

Au lieu de laisser l'ordinateur deviner librement, les auteurs lui ont donné un livre de règles strict et un squelette pré-établi.

Le squelette : Avant que l'ordinateur ne commence à dessiner, le système construit un « réseau candidat ». Considérez cela comme une grille de fils invisibles reliant chaque point possible où une ligne pourrait passer.
Les orbites : Le système organise ces fils en « orbites ». Imaginez un carrousel avec des chevaux. Si vous peignez un cheval, la règle stipule que vous devez peindre tous les autres chevaux de la même manière, en tournant autour du centre. Vous ne pouvez pas peindre un seul cheval ; vous peignez tout le groupe.
La connaissance : L'ordinateur n'est pas autorisé à inventer de nouvelles formes. Il peut seulement choisir parmi les fils du squelette et décider lesquels il conserve.

3. Les deux façons d'appliquer les règles

Le document teste deux méthodes principales pour s'assurer que l'ordinateur respecte la règle du « carrousel » :

Méthode A : L'approche des « mains liées » (Orbit-Tied) : L'ordinateur est physiquement forcé de prendre la même décision pour chaque cheval du groupe. S'il décide de peindre le premier cheval, il peint automatiquement les autres. C'est comme attacher les mains de l'ordinateur pour qu'il ne puisse pas faire d'erreur.
Méthode B : La « correction post-jeu » (Projection) : L'ordinateur est autorisé à deviner librement d'abord. Ensuite, après avoir terminé, un arbitre intervient, examine le résultat et corrige les erreurs en forçant les groupes à correspondre.

4. La grande découverte : Les règles ne nuisent pas à la qualité

Les auteurs craignaient que le fait de forcer l'ordinateur à suivre des règles strictes ne réduise la précision de ses devinettes (la fidélité).

Le résultat : Ils ont découvert que suivre les règles ne rendait pas l'ordinateur moins performant dans ses devinettes. Sur des entrées propres et parfaites, l'ordinateur « respectant les règles » était tout aussi efficace que l'ordinateur « de devinettes libres ».
Le bémol : L'ordinateur de « devinettes libres » produisait de magnifiques motifs qui semblaient corrects, mais qui étaient mathématiquement brisés (invalides). L'ordinateur « respectant les règles » produisait des motifs qui étaient à la fois magnifiques et mathématiquement parfaits.

5. Le vrai test : Quand l'entrée est désordonnée

Le véritable test est survenu lorsqu'ils ont donné à l'ordinateur un croquis désordonné et incomplet (manquant des parties du squelette).

Le devineur libre : Lorsque l'entrée était désordonnée, l'ordinateur de devinettes libres était confus. Il perdait sa précision et produisait beaucoup de motifs brisés. Même en essayant de l'instruire avec des exemples désordonnés (augmentation de données), il s'améliorait dans ses devinettes, mais continuait à produire des motifs brisés.
Le respecteur de règles : L'ordinateur aux « mains liées » (ou celui avec un arbitre) restait parfait. Même lorsque l'entrée était désordonnée, il produisait toujours un motif mathématiquement valide. La structure d'« orbite » a agi comme un filet de sécurité, lissant les erreurs.

6. Le piège du « gabarit »

Ils ont également comparé leur méthode à un simple « gabarit » qui dessine tout ce qui est possible.

Le piège : Ce gabarit obtenait un score élevé parce qu'il dessinait tellement de lignes qu'il couvait accidentellement les bonnes. Mais il dessinait beaucoup trop de lignes supplémentaires (sur-complétion).
La leçon : On ne peut pas simplement mesurer le succès par la façon dont le dessin se superpose à la cible. Il faut vérifier si le dessin est structurellement valide. Un score élevé peut masquer un design brisé.

Résumé

Ce document montre que l'on peut construire un système informatique capable de créer de l'art géométrique complexe et magnifique en intégrant les règles de l'art directement dans le cerveau de l'ordinateur.

Sans les règles : L'ordinateur est bon pour deviner, mais mauvais pour être parfait.
Avec les règles : L'ordinateur est tout aussi bon pour deviner, mais il est garanti d'être parfait.

C'est comme enseigner à un élève comment résoudre un puzzle. Vous pouvez le laisser deviner où vont les pièces (ce qui peut paraître correct mais être faux), ou vous pouvez lui donner un guide qui ne lui permet de placer les pièces que dans les emplacements corrects. Le document prouve que l'utilisation du guide ne rend pas l'élève plus lent ou moins précis ; elle garantit simplement que l'image finale est un puzzle valide.

Résumé technique : Complétion neuronale de motifs géométriques islamiques sous contraintes de connaissances avec garanties de symétrie

Définition du problème

L'ornement géométrique islamique ne se définit pas par une ressemblance stylistique, mais par une structure géométrique exacte, incluant une symétrie rotationnelle précise ( $N$ -polaire), des points d'ancrage préservés et une géométrie vectorielle cohérente. Historiequement, ces motifs sont construits via des méthodes systématiques au compas et à la règle. Le document identifie une lacune critique dans la génération neuronale moderne : bien que les réseaux de neurones puissent produire des images visuellement plausibles, ils apprennent généralement la symétrie de manière statistique et ne peuvent pas certifier qu'un résultat adhère aux règles structurelles strictes du domaine. Une légère violation de la symétrie rend un motif géométrique islamique « structurellement invalide ».

Les auteurs présentent la tâche non pas comme une synthèse d'image, mais comme un problème de complétion géométrique structurée. Étant donné une géométrie de contrôle éparse (points de construction minimaux et ancres dérivés de mises en page traditionnelles) et un ordre de symétrie cible $N$ , l'objectif est de compléter un motif complet sous forme de graphe vectoriel. Le résultat doit être constitué d'arêtes sélectionnées parmi un réseau candidat géométriquement significatif, de raffinements de courbes optionnels et doit présenter une symétrie $N$ -polaire exacte.

Méthodologie

1. Cadre sous contraintes de connaissances

Le cœur de la méthodologie consiste à intégrer des connaissances explicites sur le domaine géométrique dans le processus d'apprentissage neuronal.

Construction du réseau candidat : Au lieu de demander au réseau d'inventer une géométrie arbitraire, le système génère de manière déterministe un réseau candidat à partir de la géométrie de contrôle éparse et de l'ordre de symétrie cible $N$ . Ce réseau comprend des sommets sur des anneaux concentriques et un ensemble d'arêtes admissibles (arêtes d'anneaux, rayons, cordes de polygones étoilés, etc.).
Structure d'orbite : Les arêtes candidates sont partitionnées en orbites rotationnelles sous le groupe cyclique $C_N$ . Une arête $e_i$ appartient à une orbite $O(e_i) = \{ g \cdot e_i : g \in C_N \}$ . Un motif complété est valide si et seulement si son ensemble d'arêtes sélectionnées est une union d'orbites complètes et que les paramètres de raffinement sont constants au sein de chaque orbite.
Prédicteur neuronal : Un réseau de neurones sur graphes (GNN) opère sur ce réseau candidat. Il prend des caractéristiques de sommets et d'arêtes (position, rayon, angle, statut d'ancre, type d'arête) et prédit :
- Un score d'arête $s_i$ pour la sélection.
- Un paramètre de raffinement borné $\alpha_i$ pour les ajustements de courbes ornementales.

2. Régimes de décodage

L'article compare quatre stratégies de décodage pour isoler l'impact de la structure de symétrie :

Lié à l'orbite (Orbit-Tied) : Le réseau fait la moyenne des logits de score et des sorties de raffinement sur chaque orbite pendant la passe avant (entraînement et inférence). Cela impose $s_i = s_j$ et $\alpha_i = \alpha_j$ pour les arêtes d'une même orbite.
Projection de sélection (Selection Projection) : Un réseau non contraint est entraîné sans liaison. Lors de l'inférence, les scores sont agrégés au niveau de l'orbite avant la sélection.
Pleine projection (Full Projection) : Un réseau non contraint est entraîné sans liaison. Lors de l'inférence, les scores et les paramètres de raffinement sont moyennés sur les orbites.
Non structuré (Libre) : Un réseau non contraint sélectionne les arêtes indépendamment sans utiliser d'informations d'orbite (référence négative).

3. Raffinement borné

Les raffinements sont appliqués de manière conservatrice. Les arêtes structurelles restent droites. Les arêtes ornementales sont raffinées par un déplacement du point milieu le long de la normale de l'arête par $\tanh(\alpha_i) \alpha_{max} L_i$ . La saturation de la fonction $\tanh$ garantit que le déplacement ne dépasse jamais la borne $|\delta_i| \le \alpha_{max} L_i$ , quel que soit le résultat du réseau.

Principales contributions

Cadre de réseau neuronal à graphes sous contraintes de connaissances : Un système où les règles de construction explicites définissent le réseau candidat, la structure d'orbite et le décodage préservant la validité. Le réseau prédit sur cet espace défini par la connaissance plutôt que sur un espace combinatoire libre.
Garantie de validité constructive : Une preuve formelle (Proposition 1) démontrant que le schéma de décodage lié à l'orbite garantit :
- Une symétrie rotationnelle $N$ -polaire exacte (zéro violation d'orbite sélectionnée).
- La préservation exacte des sommets d'ancrage.
- Des déplacements de raffinement bornés.
- Ces invariants sont maintenus pour n'importe quelle entrée et n'importe quelle politique de sélection au niveau de l'orbite, indépendamment de l'état d'apprentissage du réseau.
Caractérisation empirique de la structure de symétrie : Une étude contrôlée à travers quatre régimes de décodage montrant que l'inférence structurée par la symétrie (qu'elle soit intrinsèque ou via projection) préserve la validité sans perte mesurable de fidélité de complétion par rapport au décodage non structuré.
Analyse de robustesse et des modes de défaillance : Une évaluation montrant que si l'augmentation de données (entraînement avec des entrées corrompues) restaure la fidélité dans les modèles non structurés, elle ne restaure pas une validité exacte. Inversement, l'inférence structurée par la symétrie garantit la validité même lorsque la géométrie d'entrée est manquante, traitant ainsi des modes de défaillance complémentaires.

Résultats expérimentaux

Les expériences ont été menées sur des graphes de motifs inspirés de la géométrie islamique générés de manière procédurale (ordres de symétrie 6, 8, 10, 12) sur trois graines aléatoires.

Fidélité sur entrées propres : Sur des données de test propres, le modèle lié à l'orbite, la projection de sélection et le décodage libre non structuré ont obtenu des scores F1 de sélection d'arêtes statistiquement indiscernables (environ 0,52). Le modèle de référence procédural a obtenu un score F1 légèrement supérieur (0,534) mais l'a fait par une sur-complétion sévère des arêtes (faible précision, haut rappel), démontant que les mesures de chevauchement seules sont insuffisantes pour ce domaine.
Validité structurelle : Le modèle non structuré a violé la cohérence d'orbite en moyenne 3,3 fois par motif, même sur des entrées propres. En revanche, les méthodes liées à l'orbite et de projection ont atteint zéro violation d'orbite, zéro dérive d'ancre et zéro excès de raffinement.
Robustesse aux géométries manquantes : Lorsqu'on a supprimé 30 % de la géométrie de contrôle d'entrée :
- Le score F1 du modèle non structuré a chuté de manière significative (0,524 à 0,415) et les violations sont passées à 37,5 par motif.
- Les méthodes structurées ont maintenu une fidélité élevée (F1 ~0,50–0,51) et zéro violation.
- L'entraînement du modèle non structuré avec une augmentation de données pour géométrie manquante a restauré sa fidélité (F1 ~0,517) mais n'a pas éliminé les violations d'orbite (9,0 par motif).
- Conclusion : L'augmentation de données améliore la fidélité sous corruption, tandis que la structure de symétrie garantit la validité. Les deux sont complémentaires.

Signification et affirmations

L'article affirme qu'une validité géométrique exacte peut être imposée sans perte mesurable de fidélité de complétion. La contribution principale est de démontrer comment une connaissance explicite de la construction géométrique peut contraindre la prédiction de graphes neuronaux pour produire des résultats qui ne sont pas seulement plausibles, mais certifiablement valides.

Les auteurs soulignent que la « structure d'orbite » de la géométrie candidate est le mécanisme opératoire de la validité, plutôt qu'un dispositif architectural spécifique. Les deux approches, constructive (liée à l'orbite) et a posteriori (projection), produisent une validité et une fidélité équivalentes, suggérant que l'imposition de la structure d'orbite lors de l'étape de décodage est suffisante.

Ce travail se positionne comme une étape vers une IA de confiance dans des domaines où les règles structurelles sont non négociables. Il soutient que pour les motifs géométriques islamiques, la validité est une exigence structurelle encodée comme une connaissance explicite, et non une préférence visuelle. Le cadre fournit une approche vectorielle scalable pour générer des ornements qui restent robustes face à des données d'entrée imparfaites, un scénario courant dans les applications pratiques impliquant des croquis ou des scans.

Les auteurs restent modestes, notant que le système ne prétend pas être supérieur aux systèmes de construction procédurale pour la reproduction fidèle des familles historiques, ni qu'il prétend certifier l'authenticité historique. Les résultats générés sont des « complétions inspirées du design géométrique islamique » qui sont structurellement valides selon les règles spécifiées.