Nicolas Cantu 109160de66 Initial commit

**Motivations:**
- Initial push of project to Gitea

**Evolutions:**
- Add v0 content (plan, chapters, analysis, references)

**Pages affectées:**
- v0/*.md, scripts, .gitignore

2026-02-13 16:17:01 +01:00

38 KiB

Raw Blame History

Chapitre 1 : Espaces de configurations et transformations admissibles

Espace de configurations et contraintes admissibles

On définit un espace de configurations comme l’ensemble abstrait de tous les états possibles d’un système considéré. Mathématiquement, il peut s’agir d’un ensemble fini ou infini (dénombrable, voire continu), potentiellement muni d’une structure additionnelle (topologie, métrique) pour refléter des proximités ou relations entre configurations. Chaque configuration C représente une disposition complète des éléments ou paramètres du système à un instant donné. Par exemple, en mécanique classique, l’espace de configurations correspond à toutes les positions possibles des corps; en informatique, l’ensemble des valeurs de toutes les variables du programme; et dans un contexte plus général, l’espace de formes ou de connaissances possibles.

Toute construction rigoureuse d’un espace de configurations nécessite aussi de spécifier les contraintes admissibles qui le caractérisent. Celles-ci sont les conditions ou règles logiques limitant les configurations possibles ou leurs enchaînements. Autrement dit, parmi toutes les configurations concevables, les contraintes admissibles définissent celles qui sont physiquement, logiquement ou structurellement réalisables par le système. Par exemple, dans un système physique, les lois de conservation (énergie, charge, etc.) imposent des contraintes qui restreignent l’ensemble des états accessibles. De même, pour un système d’information structuré, on peut avoir des invariants (comme l’intégrité référentielle dans une base de données, ou la syntaxe dans une phrase) qui excluent certaines combinaisons. Ces contraintes admissibles peuvent être vues comme définissant un sous-espace valide à l’intérieur de l’espace de configurations, garantissant la cohérence interne de chaque état autorisé.

Il est important de noter que l’espace de configurations n’est pas nécessairement un espace géométrique au sens habituel, mais peut être purement relationnel ou combinatoire. Par exemple, en théorie des graphes (ou dans les topologies relationnelles), on considère des états définis par des relations entre objets plutôt que par des positions dans un espace métrique. Un graphe de N nœuds possède un espace de configurations représentant toutes les manières dont les arêtes peuvent relier ces nœuds – espace contraint par des règles éventuelles (degré maximal, connexité requise, etc.). On peut doter un tel espace d’une notion de distance ou de voisinage (par exemple en comptant le nombre d’arêtes différentes entre deux graphes) afin de le munir d’une topologie relationnelle pertinente. Cela illustre comment l’abstraction de configuration s’adapte à la nature du système : qu’il s’agisse de variables numériques continues, d’objets discrets ou de relations, on vise une description suffisamment générale pour englober tout état possible sans perdre la cohérence imposée par les contraintes.

Transformations et dynamique des états

Un transformation dans ce contexte est une opération qui, appliquée à une configuration initiale C(t) à un « temps » t, produit une nouvelle configuration C(t+1) à l’instant suivant (dans un cadre discret) ou C(t+\mathrm{d}t) (en temps continu). Les transformations peuvent être déterministes (règle fixe donnant un état suivant unique) ou stochastiques. Collectivement, elles définissent la dynamique du système, c’est-à-dire l’évolution possible des configurations au fil du temps. Formellement, on peut voir la dynamique comme une application \Phi^t qui à un temps t et un état initial x associe l’état \Phi^t(x) atteint après évolution pendant t unités de temps[1]. Dans un système à temps discret, \Phi^{1} correspond à l’application d’une étape de transformation élémentaire, et l’itération de cette fonction décrit l’évolution itérative du système.

Les contraintes admissibles mentionnées plus haut jouent un rôle double dans cette dynamique. D’une part, elles peuvent restreindre l’ensemble des transformations autorisées – par exemple, une transformation doit conserver certains invariants ou respecter des lois de conservation. D’autre part, même si une transformation est théoriquement applicable, la configuration résultante doit encore satisfaire les contraintes pour être un état valide. Ainsi, on parle de transformations admissibles pour désigner les transformations qui conduisent toujours d’une configuration admissible vers une autre configuration elle-même admissible. Ces transformations forment l’ensemble des opérations élémentaires qui préservent le cadre du système. En pratique, elles découlent souvent de lois fondamentales (équations du mouvement en physique, règles d’inférence en logique, règles de mise à jour dans un automate, etc.).

La dynamique discrète – où l’on évolue par sauts successifs d’une configuration à la suivante – est un cas particulièrement important. Elle permet une analyse itérative des comportements du système et donne lieu à des propriétés bien étudiées comme la convergence éventuelle vers des états particuliers. Un exemple canonique en est la routine de Kaprekar, un processus numérique itératif sur les chiffres d’un nombre qui conduit fréquemment à des points fixes ou des cycles attracteurs connus (par exemple 6174 en base 10)[2]. Plus généralement, dans tout système dynamique (discret ou continu), on s’intéresse aux configurations particulières qui structurent l’évolution à long terme : les attracteurs. Avant d’y venir en détail, notons un aspect essentiel des transformations admissibles : elles induisent souvent des collisions dans l’espace de configurations. Deux configurations distinctes C_1 et C_2 sont en collision s’il existe une transformation (ou une séquence de transformations) T telle que T(C_1) = T(C_2). Dans le cas d’une dynamique déterministe, cela signifie que des états initialement différents aboutissent à un même état futur. Loin d’être nécessairement un problème, de telles collisions peuvent au contraire avoir une portée structurante. En effet, si C_1 \neq C_2 évoluent vers une même configuration C_f, cela indique que C_1 et C_2 appartiennent à une même classe de comportement – elles sont indiscernables vis-à-vis de l’observateur qui ne regarde que l’état final C_f. Un tel phénomène de collision structurante peut être exploité pour regrouper des configurations par similarité de dynamique ou de forme, à l’instar des fonctions de hachage « locality-sensitive » en informatique qui organisent volontairement des collisions afin de refléter une proximité sémantique ou morphologique[3]. Plutôt que de proscrire ces collisions, on peut les voir comme la manifestation de contraintes de compatibilité : différentes conditions initiales mènent au même motif final, révélant ainsi une robustesse du motif ou une perte d’information quant aux détails initiaux.

En résumé, les transformations admissibles définissent comment on peut naviguer dans l’espace de configurations. Elles tracent un graphe orienté sur cet espace (chaque configuration pointant vers sa ou ses transformées), généralement non bijectif (plusieurs antécédents pouvant conduire à un même état futur, d’où les collisions). L’étude de la dynamique revient alors à analyser la structure de ce graphe : existe-t-il des cycles ? des chemins menant à des impasses ou à des attracteurs ? quelle est la taille des bassins conduisant à telle configuration stable ? Ces questions introduisent la notion d’attracteur et de stabilité.

Attracteurs, basins et topologie de la stabilité

On appelle attracteur un ensemble de configurations vers lequel le système évolue de manière irréversible à partir d’un grand nombre d’états initiaux différents. Plus formellement, un attracteur \mathcal{A} est un sous-ensemble de l’espace des configurations qui vérifie deux propriétés essentielles : (1) \mathcal{A} est invariant par la dynamique (toute transformation admissible d’un état de \mathcal{A} reste dans \mathcal{A}, i.e. \Phi^t(\mathcal{A})=\mathcal{A} pour t suffisamment grand) et (2) \mathcal{A} attire un ensemble voisinage de lui-même[4][5]. En d’autres termes, il existe un voisinage \mathcal{B} de \mathcal{A} tel que tout état initial appartenant à \mathcal{B} finira par évoluer dans \mathcal{A}. L’ensemble de tous les états qui convergent vers \mathcal{A} constitue ce qu’on nomme le bassin d’attraction de $\mathcal{A}$[6]. Intuitivement, \mathcal{A} représente un comportement asymptotique stable du système : une fois l’état entré dans \mathcal{A} (ou suffisamment proche de \mathcal{A}), il s’y maintient ou y revient après de petites perturbations.

Un attracteur peut être trivial, par exemple un point fixe (état unique C^ tel que \Phi^t(C^) = C^ pour tout t). Un tel état est stationnaire et, s’il attire ses voisins, on parle d’équilibre stable. Les attracteurs peuvent aussi être plus complexes : un cycle limite* (ou attracteur périodique) est un ensemble fini de configurations {C_1, C_2, ..., C_k} telles que \Phi^k(C_i) = C_i pour chaque i (avec un k minimal, période du cycle), et {C_1,\dots,C_k} attire les configurations aux alentours. Dans un système continu, on rencontre également des attracteurs étranges (fractal, de dimension non entière) dans les systèmes chaotiques, mais dans le cadre discret et fini, toute trajectoire finit par aboutir à un cycle ou un point fixe (puisque l’espace d’états est fini, une trajectoire dynamique finira forcément par revisiter un état antérieur, engendrant un cycle de périodicité finie).

La topologie de la stabilité désigne ici l’organisation globale des attracteurs et de leurs bassins au sein de l’espace de configurations. On peut la concevoir comme une sorte de « paysage » où les attracteurs jouent le rôle de vallées ou de points bas (états vers lesquels la dynamique descend), séparés par des cols ou des crêtes définissant les bassins d’attraction. Cette analogie de paysage est courante en dynamique : si l’on peut définir une fonction de potentiel ou une mesure de « hauteur » (par exemple une entropie ou une énergie libre associée à chaque configuration), les attracteurs correspondent aux minima locaux de cette fonction. Les chemins d’évolution suivent alors plus ou moins la pente vers ces minima, et la topologie de la stabilité décrit comment ces minima sont distribués, comment les bas-fonds (bassins) se connectent ou sont séparés par des barrières.

Dans un cadre strictement déterministe, deux attracteurs distincts sont disjoints : un état du bassin de l’attracteur \mathcal{A}_1 ne peut pas, sans perturbation extérieure, basculer spontanément dans le bassin d’un autre attracteur \mathcal{A}_2. Cependant, si l’on introduit de légères perturbations aléatoires ou des modifications paramétriques (par exemple du « bruit » ou une variation continue de paramètres), la stabilité des attracteurs peut être mise à l’épreuve. On étudie alors la robustesse des attracteurs : certains persistent sous de petites perturbations (on parle de stabilité structurelle du système dynamique), tandis que d’autres peuvent bifurquer ou disparaître. La topologie de la stabilité englobe ainsi non seulement la répartition des attracteurs et de leurs bassins, mais aussi les voisinages de stabilité de ces attracteurs – c’est-à-dire jusqu’où s’étend, en termes de perturbations possibles, la conservation du comportement attracteur.

Un aspect essentiel de cette topologie est la présence éventuelle d’attracteurs dominants, c’est-à-dire ayant un bassin d’attraction extrêmement large par rapport aux autres[7][8]. Dans les systèmes finis, on observe parfois qu’une poignée d’attracteurs concentrent l’essentiel des trajectoires possibles (presque tout état initial finit dans l’un d’entre eux), alors que d’autres attracteurs plus « exotiques » ont des bassins ténus (par exemple, des configurations très particulières mènent à un cycle rare). La structure des bassins peut se quantifier par une entropie ou une mesure de diversité : plus les trajectoires se répartissent uniformément entre de nombreux attracteurs, plus l’entropie est élevée; à l’inverse, si quelques attracteurs absorbent presque tout, l’entropie structurelle de la dynamique est faible (le système a tendance à « oublier » ses conditions initiales en ne conservant qu’un petit nombre de motifs finaux possibles).

Enfin, la stabilité d’un attracteur se manifeste aussi par la résistance aux transformations internes. Un attracteur peut être vu comme une configuration (ou un motif) invariant par transformation – éventuellement au sens élargi d’invariance statistique. Par exemple, un motif qui se répète périodiquement dans le temps est invariant par la transformation « avancer de la période $T$ ». De même, un motif spatial auto-similaire est invariant par certaines transformations d’échelle ou de rotation. Cette invariance confère à l’attracteur une identité propre. On peut alors étudier la stabilité sous transformation : une configuration est stable sous une transformation donnée si l’application de cette transformation ne l’éjecte pas de son attracteur. Un attracteur est par définition stable sous la dynamique du système (puisqu’il est invariant par \Phi^t), mais on peut élargir la notion à d’autres transformations du système, par exemple des transformations sémantiques ou des perturbations contrôlées. Dans les systèmes complexes, on attend des attracteurs qu’ils conservent leurs propriétés qualitatives face à des changements mineurs ou non structurants – c’est un critère de robustesse. Par exemple, en reconnaissance de formes, une image d’un même objet reste reconnue malgré de petites rotations ou changements d’échelle : le concept représenté par l’attracteur « objet » demeure stable sous ces transformations non essentielles.

La notion de transformation structurante émerge lorsque l’application d’une transformation provoque non pas la destruction d’un motif, mais au contraire la création d’une nouvelle structure organisée. Dans certains systèmes, deux configurations peuvent interagir (on peut penser à une « collision » entre deux motifs dans un automate cellulaire) pour en produire une troisième de complexité supérieure. Si cette nouvelle configuration est elle-même stable ou donne naissance à un attracteur, la transformation a joué un rôle structurant. On touche ici à l’idée que des interactions locales peuvent engendrer de la nouveauté stable – concept intimement lié à l’auto-organisation.

Auto-organisation et attracteurs morphologiques

Un système est dit auto-organisé lorsqu’il est capable de faire émerger spontanément de l’ordre à partir du désordre, sans contrôle externe imposé. L’auto-organisation se manifeste typiquement par l’apparition de structures cohérentes, de motifs ou de comportements globaux à partir d’interactions locales entre constituants simples. Ce principe, formulé en termes généraux, souligne la capacité de composants simples à former des structures complexes de manière autonome, sans intervention extérieure[9]. De nombreux systèmes physiques, chimiques et biologiques illustrent ce phénomène : on peut citer la formation de motifs de convection hexagonaux dans une couche fluide chauffée (cellules de Bénard), les oscillations chimiques de la réaction de Belousov-Zhabotinski, la cristallisation, ou en biologie la morphogenèse (apparition de motifs pigmentaires, de rayures, de tâches sur les animaux, expliquée dès 1952 par les modèles réaction-diffusion de Turing). Dans tous ces exemples, un état initial homogène ou chaotique évolue vers un état structuré présentant des corrélations à longue portée entre éléments du système. Prigogine a formalisé ce phénomène dans sa théorie des structures dissipatives, montrant que loin de l’équilibre, des phénomènes ordonnés peuvent se produire qui sont impossibles à proximité de l’équilibre thermique[10][11]. En régime loin de l’équilibre, l’énergie dissipée alimente des fluctuations qui, au-delà d’un certain seuil d’instabilité, se stabilisent en nouveaux modes organisés. En ce sens, la dissipation d’énergie devient source d’ordre – une idée paradoxale du point de vue de l’entropie classique, mais parfaitement illustrée par ces structures auto-organisées.

Le lien entre attracteurs et auto-organisation se fait naturellement : les attracteurs sont les structures ordonnées vers lesquelles tend un système auto-organisé. On parle parfois d’attracteurs morphologiques pour souligner que ces attracteurs correspondent à des formes ou motifs stables. Par exemple, dans un automate cellulaire comme le Jeu de la Vie de Conway, on observe une multitude de structures émergentes : certaines configurations finissent par osciller (clignoteurs), d’autres convergent vers des motifs stables figés (« blocs », « bateaux »), et d’autres encore produisent des vaisseaux mobiles comme le fameux glider (planeur) qui se déplace indéfiniment sur la grille. Chaque tel motif stable ou périodique peut être vu comme un attracteur morphologique de la dynamique de l’automate. Fait remarquable, ces structures apparaissent spontanément à partir de configurations initiales aléatoires – un désordre initial « cuisiné » en quelque sorte en configurations structurées. Dans l’analogie de la soupe primitive chère aux biologistes, le Jeu de la Vie démontre comment, avec quelques règles locales de survie et reproduction, des motifs très sophistiqués peuvent émerger et rappeler la diversité des formes vivantes issues du chaos primordial[12][13]. La soupe primordiale du Jeu de la Vie correspond à une grille initialement remplie au hasard de cellules vivantes ou mortes ; très vite, on voit surgir des arrangements réguliers – c’est une illustration ludique mais profonde du principe d’auto-organisation.

Du point de vue scientifique général, ces attracteurs morphologiques relient notre construction à divers corpus établis. D’une part, la dynamique discrète et la théorie générale des systèmes dynamiques fournissent le langage mathématique pour décrire ces attracteurs, leurs basins, et les bifurcations possibles[2][14]. Ce cadre est bien consensuel : depuis Poincaré jusqu’à la théorie du chaos déterministe, on dispose d’outils pour comprendre la convergence vers des ensembles invariants, la robustesse aux perturbations et la dépendance sensible aux conditions initiales. D’autre part, les systèmes auto-organisés relèvent d’un domaine de recherche interdisciplinaire actif, englobant la thermodynamique hors-équilibre (Prigogine, Haken), la physique statistique des processus d’ordre émergent, la chimie prébiotique, la science des matériaux (auto-assemblage) et bien sûr la biologie du développement et de l’évolution. Un consensus s’est formé sur le fait que l’auto-organisation est un ingrédient fondamental dans l’émergence du vivant et des structures complexes, même s’il reste beaucoup de questions ouvertes quant aux détails (par exemple, comment quantifier précisément l’information produite lors de l’auto-organisation, comment prédire l’apparition de tel ou tel attracteur en fonction des paramètres, etc.).

En parlant d’information, il faut souligner le lien avec la notion d’entropie structurelle. Classiquement, l’entropie mesure le désordre microscopique d’un système. L’entropie informationnelle de Shannon, formulée en 1948, quantifie l’incertitude associée à une distribution d’états ou de symboles[15]. Un système complètement désordonné ou imprévisible a une entropie élevée, tandis qu’un système très ordonné (donc prévisible) a une entropie faible. Lorsqu’une structure émerge – par exemple un cristal se forme à partir d’atomes en solution, ou un motif régulier apparaît – l’entropie associée à la configuration diminue localement (il y a moins de surprise, plus de régularité). Schrödinger notait dès 1944 que la vie se caractérise par sa capacité à absorber de la « négentropie » pour maintenir son ordre interne[16]. En d’autres termes, un organisme vivant puise de l’énergie dans son environnement et l’utilise pour réduire son entropie interne (créer et maintenir des structures hautement improbables du point de vue de l’équilibre).

Dans le cadre de notre modèle, on peut définir l’entropie structurelle comme une mesure de la diversité ou du désordre des configurations du système au niveau macroscopique. Par exemple, si l’espace de configurations se répartit en quelques attracteurs dominants et que presque toutes les trajectoires finissent dans l’un d’eux, on dira que l’entropie structurelle du système est faible – il y a peu de diversité finale. En revanche, s’il existe de très nombreux attracteurs de taille comparable, ou si la dynamique conserve une richesse de formes au cours du temps, l’entropie structurelle est élevée. L’information produite par le système au cours du temps peut se mesurer par la réduction d’entropie qu’il opère en formant des structures. Landauer a établi en 1961 un lien fondamental entre information et physique : « toute manipulation logique irréversible de l’information... est nécessairement accompagnée d’une augmentation de l’entropie dans l’environnement »[17]. Effacer un bit d’information – c’est-à-dire détruire de l’information pour aller vers un état plus ordonné – coûte au minimum kT\ln 2 d’énergie dissipée sous forme de chaleur[18]. Cette limite de Landauer montre que créer de l’ordre (réduire l’entropie informationnelle interne) a un prix énergétique. Notre cadre s’inscrit dans cette compréhension : l’émergence d’un attracteur (ordre organisé) suppose en contrepartie une dissipation d’énergie ou une exportation d’entropie ailleurs. Il est donc crucial, dans une perspective physique, de toujours considérer où part l’entropie perdue quand de l’ordre apparaît localement. Cela évite de violer le second principe de la thermodynamique, même si, à première vue, un système auto-organisé semble « décréer » du désordre. En réalité, il le délocalise ou le transforme.

Le pont conceptuel jeté par E.T. Jaynes dans les années 1950 vient ici éclairer la situation d’un jour unifié : Jaynes a soutenu que l’entropie de Shannon et l’entropie de Gibbs (thermodynamique statistique) sont en fait la même notion conceptuelle, l’une appliquée à de l’information abstraite, l’autre à des micro-états physiques[19]. Le fait qu’elles obéissent à des formules identiques n’est pas une coïncidence mais le signe que la physique statistique peut se voir comme un cas particulier d’un principe d’inférence logique (le principe de maximum d’entropie). Ainsi, la formation d’une structure dans notre espace de configurations peut être interprétée à deux niveaux : (i) concrètement, comme l’établissement d’un ordre dans le système (baisse d’entropie physique interne, augmentation corrélative de l’entropie dans l’environnement dissipatif) et (ii) informationnellement, comme une gain d’information sur l’état du système (on a réduit l’incertitude sur sa configuration en observant l’émergence d’un motif précis). Cette double lecture, garantie cohérente par les principes de Landauer, Shannon et Jaynes, confère au concept d’attracteur une portée à la fois physique et informationnelle : un attracteur, c’est un condensé d’information (la description de l’attracteur est relativement simple comparée à celle d’un état aléatoire) et c’est un puits de dissipation (de l’énergie a été dissipée pour y parvenir).

Portée cosmogonique et implications ontologiques

En posant ces bases mathématiques – espace de configurations, contraintes, transformations, attracteurs et stabilité – nous avons esquissé un cadre minimal pour qu’une dynamique d’expression structurale puisse exister. Il s’agit fondamentalement des conditions d’existence d’un « substrat » capable de porter des formes, de les faire évoluer, interagir et éventuellement se complexifier. Nous allons maintenant situer ce cadre par rapport à des questions plus fondamentales relevant de la cosmogonie et de l’ontologie (philosophie de l’existence et de la connaissance). L’enjeu est de comprendre si un tel formalisme peut prétendre à une portée universelle, c’est-à-dire s’il peut modéliser non seulement des systèmes particuliers (physiques, biologiques, informatiques), mais aussi éclairer la structure même de la réalité et de la connaissance.

Une question philosophique millénaire, renouvelée à l’ère de l’information, est celle de la primauté de la matière ou de l’information. Traditionnellement, on considère que la matière est première et que l’information n’est qu’une configuration de la matière (par exemple, l’encre sur du papier pour écrire un texte)[20]. Toutefois, on peut inverser cette perspective et concevoir la matière elle-même comme une expression émergente d’une information sous-jacente. Le physicien John Wheeler a popularisé cette idée provocatrice par la formule « it from bit » – « l’objet provient du bit » – signifiant que l’information est conceptuellement première, et que la matière ainsi que les lois physiques émergent d’un monde fondamental d’information[21]. Autrement dit, les particules, les champs, l’énergie que nous percevons seraient des manifestations d’un substrat informatif plus profond, tout comme, dans un automate cellulaire, un « glider » tangible n’est au fond qu’une certaine configuration de bits sur la grille.

Notre modèle ontologique unifié de la connaissance comme substrat pré-énergétique s’inscrit dans cette lignée d’idées en explorant la possibilité qu’au fondement de la réalité, avant même les concepts d’énergie ou de matière, il y ait une structure d’information ou de connaissance pure – un espace de configurations primordial dont les transformations engendreraient ce que nous appelons ensuite particules, forces, et pourquoi pas, conscience. Par pré-énergétique, on entend que ce substrat n’est pas de l’énergie au sens physique, mais peut-être quelque chose de plus abstrait duquel l’énergie dérivera ultérieurement. Cette hypothèse est à ce stade spéculative et conceptuelle (aucun consensus scientifique n’affirme l’existence d’un tel substrat immatériel), mais elle s’inspire de plusieurs pistes reconnues : outre Wheeler, on peut citer la recherche en gravitation quantique qui suggère que l’espace-temps lui-même pourrait être discret et issu d’informations quantiques (approches « it from qubit »), ou encore les travaux en informatique fondamentale cherchant à reformuler les lois de la physique comme des algorithmes d’évolution d’un système d’information.

Ce que notre construction mathématique offre, c’est un langage pour penser cette possibilité sans quitter la rigueur scientifique. En effet, si l’on imagine l’Univers primordial comme un gigantesque espace de configurations évoluant suivant des règles (transformations admissibles) et contraint par certaines cohérences internes (contraintes admissibles fondamentales, qu’on pourrait assimiler aux principes de symétrie ou de conservation les plus profonds), alors l’émergence du monde matériel pourrait se lire comme l’apparition d’attracteurs dans cet espace abstrait. Les particules élémentaires, par exemple, pourraient correspondre aux attracteurs stables d’une dynamique informationnelle sous-jacente – des formes invariantes (comme des solitons) dans un substrat de calcul ou de relation. Cette idée rejoint en partie des vues déjà explorées en cosmologie et en physique théorique : on pense aux automates cellulaires universels envisagés par Zel’dovich ou Fredkin pour simuler l’Univers, aux théories de type univers informatique de Zuse, ou plus récemment aux spéculations sur l’Univers comme réseau de neurones ou comme programme exécutable. La nouveauté de notre approche est d’y intégrer explicitement la dimension de connaissance : ce substrat informationnel peut être vu non seulement comme de l’information brute, mais comme une ontologie de la connaissance – une structure formelle dans laquelle ce qui existe, c’est ce qui peut être distingué, organisé, connu en puissance.

Dans un tel cadre, les collisions structurantes évoquées plus tôt prennent une signification cosmogonique : deux « configurations » de l’Univers primordial qui entrent en collision (au sens d’interaction dans la dynamique) peuvent donner naissance à une nouvelle structure stable – on pourrait y voir une analogie avec deux ondes se rencontrant pour créer une particule stable, ou deux événements fusionnant en un concept nouveau. De même, la notion de reproductibilité interne revêt une portée fondamentale : pour qu’une complexification croissante se produise dans l’Univers sans apport extérieur, il faut que certaines structures une fois apparues puissent se copier ou se répliquer à l’intérieur du système. Sans reproduction, pas d’accumulation d’information structurale sur le long terme – c’est l’apanage du vivant, mais peut-être aussi d’autres processus naturels. Or, on sait depuis les travaux de von Neumann qu’un système purement formel peut tout à fait engendrer des entités auto-réplicatives : dès 1948, von Neumann décrivit un automate cellulaire capable de se copier lui-même, anticipant conceptuellement le mécanisme de l’ADN bien avant sa découverte[22]. Il montra qu’en munissant un automate d’un ensemble suffisant d’états et de règles, on peut avoir une configuration P (un « programme ») qui crée une copie P' d’elle-même à côté, tout en se conservant – établissant ainsi la possibilité d’une machine virtuelle autoreproductrice[23][24]. Autrement dit, la logique de la vie (duplication de l’information génétique et construction d’un nouvel individu à partir de cette information) peut être capturée dans un espace de configurations purement informationnel. La reproductibilité interne dans notre modèle consisterait en de tels attracteurs capables de générer, via les transformations admissibles, des copies d’eux-mêmes au sein du même espace. Un tel phénomène permettrait la transmission et l’accumulation de structures, ouvrant la voie à une évolution endogène du système. Cette idée est bien sûr spéculative à l’échelle cosmique, mais elle s’aligne avec l’intuition que l’Univers, pour engendrer de la complexité (galaxies, étoiles, vie, conscience), doit avoir la capacité de conserver et répliquer certains agencements informationnels stables à travers le temps, en plus de simplement les produire de manière isolée.

Philosophiquement, envisager la connaissance comme substrat pré-énergétique conduit à repenser la notion même d’être. Dans cette optique, être signifierait peut-être être informé, c’est-à-dire occuper une configuration distinctive dans l’espace ontologique fondamental. La connaissance, quant à elle, ne serait plus seulement une faculté émergente de certains systèmes (comme le cerveau humain), mais un ingrédient constitutif de la réalité – dans le sens où les « lois de la physique » pourraient n’être que des contraintes admissibles de cet espace, et les « états physiques » des attracteurs informationnels. Une telle vue écho à des courants de pensée en physique et en philosophie des sciences tels que l’informationalisme ontologique ou le digital ontology, qui soutiennent que l’information est le tissu premier du réel. Elle doit cependant être maniée avec prudence : si elle ouvre des perspectives unifiantes (en liant par exemple l’existence matérielle, le processus de mesure quantique – où l’information d’observation joue un rôle –, et l’émergence de l’esprit dans une continuité conceptuelle), elle ne fait pas consensus et reste une interprétation parmi d’autres. Nous la signalons donc comme une orientation possible (structured speculation), à confronter aux faits et aux théories établies.

Pour conclure ce chapitre de fondations, nous soulignons la progression logique suivie : nous sommes partis de notions mathématiques pures (ensemble de configurations, applications dynamiques, attracteurs) pour arriver à effleurer les questions cosmogoniques (origine de l’ordre dans l’Univers, primauté de l’information) et ontologiques (qu’est-ce qui est fondamentalement réel ? la matière ou la connaissance ?). Cette progression s’est faite sans rupture de ton, car le même formalisme sous-tend chaque étape. Les attracteurs que nous avons définis formellement peuvent représenter aussi bien un motif dans un automate que l’état stationnaire d’un système cosmologique ou l’idée stable dans un système de pensée. Le fil conducteur est la stabilité structurelle et la reproductibilité : ces deux caractéristiques rendent compte de la persistance et de l’organisation du réel à toutes les échelles. En effet, du point de vue cosmogonique, la stabilité est ce qui permet à des structures élémentaires (particules, atomes) de perdurer suffisamment pour se combiner en structures plus complexes (molécules, cellules, étoiles), et la reproductibilité (ou du moins la multiplicabilité) est ce qui permet d’en avoir de multiples exemplaires pour construire les niveaux supérieurs. Du point de vue de la connaissance, la stabilité correspond à la fiabilité des concepts ou des informations (une connaissance stable est une connaissance qui reste vraie ou opérante sous diverses transformations de contexte), et la reproductibilité correspond à la communicabilité et à la transférabilité du savoir (une idée reproductible peut être transmise, recopiée, enseignée, rejouée dans un autre esprit ou un autre support).

Ainsi, espaces de configurations, transformations admissibles, attracteurs et stabilité constituent les briques d’un modèle ontologique unifié où la distinction entre physique, vie et connaissance s’estompe au profit de notions communes de forme, d’information et de dynamique. Les chapitres suivants poursuivront cette exploration en détaillant comment ce cadre peut être enrichi et appliqué à divers domaines, mais les bases rigoureuses posées ici resteront notre fil d’Ariane. Nous garderons à l’esprit les différentes portées – scientifique établie, recherche active, spéculation – en les distinguant clairement : ce qui relève du consensus (par exemple, le rôle de l’entropie en physique, la théorie des attracteurs en dynamique) a fondé notre édifice, ce qui relève de la recherche en cours (auto-organisation, complexité, vie artificielle) lui donne sa direction, et ce qui relève de l’interprétation philosophique (primauté de l’information, substrat de connaissance) lui donne son horizon. Toute extrapolation sera soigneusement balisée comme telle, l’objectif étant de construire un discours continu et cohérent de la mathématique à la cosmogonie, sans jamais sacrifier la rigueur en chemin.

Références utilisées : Landauer (principe thermodynamique de l’information)[17], Shannon (entropie d’information)[15], Jaynes (principe de maximum d’entropie et correspondance avec la thermo)[19], Schrödinger (néguentropie du vivant)[16], Prigogine (structures dissipatives et ordre hors-équilibre)[10][11], von Neumann (automates auto-reproducteurs)[22], Wheeler (« it from bit »)[21], entre autres. Chaque concept introduit s’appuie sur un corpus solide (consensus lorsqu’il existe, ou indications explicites lorsqu’il s’agit d’hypothèses de travail). Ce chapitre a ainsi établi le socle conceptuel sur lequel bâtir une modélisation unifiée de la connaissance, conçue comme structure ontologique fondamentale – avant que l’énergie, la matière ou toute autre manifestation n’en émergent. Ce socle, pour abstrait qu’il soit, est ancré dans les connaissances validées existantes, garantissant que l’édifice théorique à suivre repose sur une base académique robuste.