ICT-9 — Agence & regeneration : reparer sa forme, ou seulement deriver ?
Serie ICT (Integrated Causal Trajectories, Epic #4588) — strate 2 : morphogenese dynamique. Prerequis conseilles : ICT-0-Framing et ICT-8.
La limite que ce notebook leve
La strate 1 (le tri auto-organise) et ICT-8 (les paysages d’attracteurs) butaient sur une limite : le but du système etait impose de l’exterieur (le tableau trie ; le puits ou l’on tombe). Il n’y avait aucun point de consigne intrinseque — rien que le système maintienne de lui-même. ICT-9 leve précisément cette limite avec un substrat regenerant : un système qui, après qu’on a detruit une partie de sa forme, la reconstruit vers la forme qu’il engendre spontanement.
La question, et la règle du jeu
Quand peut-on dire qu’un système repare sa propre forme, au lieu de simplement evoluer passivement ?
Reponse de la serie, sans complaisance : l’agence n’est jamais declaree, elle est mesuree — et toujours par contraste. On ne credite un système d’agence sur sa forme que si sa trajectoire de recuperation domine quantitativement celle d’un contrôle prive du mécanisme reparateur. Le mot-cle est contraste : reaction-diffusion vs diffusion simple.
Le cadre causal : deux mondes contrefactuels (Pearl)
C’est exactement le calcul causal de Judea Pearl. On applique une intervention identique — do(ablation) : effacer un quart du motif — puis on compare deux mondes qui n’en différent que par la dynamique laissee a l’oeuvre :
Monde
Dynamique après do(ablation)
Prediction
A
reaction-diffusion complete
reconstruit la forme (regeneration)
B
diffusion pure (sans reaction)
dissout ce qui reste (passivite)
La différence de recuperation entre A et B — le gain de reparation — est la mesure d’agence. C’est le même geste que le « sans liberte, pas d’agregation » d’ICT-4 et que « la mesure naive fabrique un signal fantome » d’ICT-8 : une competence n’est creditee qu’au vu d’un protocole explicite.
Le substrat : Gray-Scott (reaction-diffusion)
On utilise le système de Gray-Scott (J. E. Pearson, Science 1993), reference de la morphogenese de Turing : deux especes qui diffusent et reagissent, engendrant spontanement des tâches auto-entretenues. C’est une vraie morphogenese generative — l’attracteur n’est pas une image figee mais un motif vivant (les tâches se divisent), ce qui aura des consequences sur quelles mesures sont honnetes (section 5). Voir aussi Mordvintsev et al., Growing Neural Cellular Automata (Distill 2020), et les travaux de M. Levin sur la regeneration et le « setpoint » morphologique.
Statut épistémique — Établi : L’agence est mesurable comme gain de réparation (RD − diffusion) après do(·). Portée et détail dans la matrice de dissociations.
import os, sysimport numpy as npimport matplotlib.pyplot as pltimport matplotlib.patches as mpatchessys.path.insert(0, os.path.abspath("."))from ict.reaction_diffusion import GrayScott, run_pure_diffusion, pure_diffusion_stepfrom ict import agencyGRAINE =8# reproductibilitenp.random.seed(GRAINE)N =96# cote de la grille (regime "taches" stable a cette echelle)modele = GrayScott() # F=0.0367, k=0.0649 : taches mitotiques de Pearsonprint(f"Gray-Scott : F={modele.F}, k={modele.k}, Du={modele.Du}, Dv={modele.Dv}, dt={modele.dt}")print(f"Grille {N}x{N}, bords periodiques.")
La cellule configure le modèle Gray-Scott avec les paramètres F=0.0367, k=0.0649, Du=0.16, Dv=0.08, sur une grille 96×96 à bords périodiques, garantissant la reproductibilité avec la graine 8.
1. La morphogenese generative — un attracteur de forme
A partir d’un simple germe central, la reaction-diffusion engendre un motif spatial structure et auto-entretenu. La quantite de structure est mesuree par la variance spatiale du champ d’activateur \(V\) : nulle pour un champ uniforme, positive des qu’un motif contraste apparait. Cette structure de reference est le point de consigne intrinseque vers lequel le système pourra revenir.
Precision. Ce « point de consigne » n’est pas une memoire positionnelle pixel par pixel. Gray-Scott ne retient pas ou etait chaque tâche ; il retombe vers une classe d’attracteur — un regime morphologique (tâches de telle taille, telle densite, telle texture). « Reparer sa forme » signifie ici retrouver une organisation structuree du même type, pas reproduire l’image exacte. C’est exactement pourquoi (section 5) les mesures de ressemblance pixel-a-pixel trompent, et pourquoi la structure restauree — contrastee au contrôle passif — reste la seule mesure fiable.
Structure (variance spatiale de V) du motif forme : 0.00950
Le résultat montre le motif auto-entretenu généré après 6000 pas : à t=0 on observe un germe localisé, à t=6000 un motif structuré avec une structure (variance spatiale de V) de 0.00950.
2. L’ablation comme intervention do(.)
On detruit un quart du motif en le ramenant a l’etat nu du substrat (\(U=1\), \(V=0\) : « pas de motif ici »). Au sens de Pearl, c’est une interventiondo(ablation) : on force une partie de l’etat, puis on observe la trajectoire qui en decoule. La question d’agence devient : que se passe-t-il ensuite ?
mask = agency.quadrant_mask(N, quadrant=3) # quart bas-droitU_abl, V_abl = agency.ablate(U_form, V_form, mask) # do(ablation)fig, (a0, a1) = plt.subplots(1, 2, figsize=(11, 5))a0.imshow(V_form, cmap="magma", vmin=0, vmax=0.5); a0.set_title("avant : motif intact"); a0.axis("off")a1.imshow(V_abl, cmap="magma", vmin=0, vmax=0.5); a1.set_title("apres do(ablation) : quart efface"); a1.axis("off")for ax in (a0, a1): ax.add_patch(mpatches.Rectangle((N//2-0.5, N//2-0.5), N//2, N//2, fill=False, ec="cyan", lw=2))plt.suptitle("L'ablation comme intervention do(.) au sens de Pearl")plt.tight_layout(); plt.show()print(f"Structure dans le quart ablate : {agency.structure(V_abl[mask]):.6f} (~0 : motif efface)")
Structure dans le quart ablate : 0.000000 (~0 : motif efface)
Les images montrent le motif intact comparé au motif après ablation du quart bas-droit. La structure dans la zone ablatée est de 0.000000, confirmant l’effacement complet du motif dans cette région.
Exercice 1 — quantifier le dommage
Avant de mesurer une reparation, il faut mesurer le dommage. Completez dommage_inflige : la perte de structure (variance regionale) dans la zone ablatee. Fil de la mesure : c’est la grandeur que la reparation devra regagner.
Indices :agency.structure(champ) calcule la variance ; V[mask] selectionne la zone ; comparer la structure regionale avant et après ablation.
def dommage_inflige(V_reference, V_ablate, mask):"""Perte de structure dans la zone ablatee : structure(reference|zone) - structure(ablate|zone). Renvoyer None tant que l'exercice n'est pas complete."""# TODO etudiant : comparer la variance regionale avant / apres l'ablation# s_avant = agency.structure(V_reference[mask])# s_apres = agency.structure(V_ablate[mask])# return float(s_avant - s_apres)returnNone# TODO# Verification (a decommenter une fois l'exercice complete) :# print("dommage inflige :", dommage_inflige(V_form, V_abl, mask))print("Exercice 1 a completer : quantifier le motif detruit par l'ablation.")
Exercice 1 a completer : quantifier le motif detruit par l'ablation.
3. Deux mondes contrefactuels : reaction-diffusion vs diffusion pure
Depuis le même etat ablate, on laisse evoluer deux dynamiques. Le monde A garde la reaction- diffusion complete ; le monde B ne garde que la diffusion (même opérateur diffusif, terme reactif retire) — le contrôle passif. On enregistre la trajectoire de structure dans la zone ablatee pour les deux mondes, afin de comparer non seulement l’etat final mais toute la dynamique de recuperation.
REPAIR_STEPS =8000REC_EVERY =200# --- Monde A : do(ablation) + reaction-diffusion (mecanisme reparateur complet) ---# La trajectoire est ancree a l'instant 0 (etat ablate exact), comme le ferait# modele.run(..., record_every=REC_EVERY, include_initial=True) pour les champs.U_rd, V_rd = U_abl.copy(), V_abl.copy()traj_rd = [agency.structure(V_rd[mask])] # t = 0 : etat ablatefor t inrange(REPAIR_STEPS): U_rd, V_rd = modele.step(U_rd, V_rd)if (t +1) % REC_EVERY ==0: traj_rd.append(agency.structure(V_rd[mask]))# --- Monde B : do(ablation) + diffusion pure (controle passif, sans reaction) ---V_diff = V_abl.copy()traj_diff = [agency.structure(V_diff[mask])] # t = 0 : etat ablatefor t inrange(REPAIR_STEPS): V_diff = pure_diffusion_step(V_diff, modele.Dv)if (t +1) % REC_EVERY ==0: traj_diff.append(agency.structure(V_diff[mask]))fig, axes = plt.subplots(1, 3, figsize=(15, 5))panneaux = [(V_abl, "do(ablation)"), (V_rd, "monde A : + reaction-diffusion"), (V_diff, "monde B : + diffusion pure")]for ax, (img, ttl) inzip(axes, panneaux): ax.imshow(img, cmap="magma", vmin=0, vmax=0.5); ax.set_title(ttl); ax.axis("off") ax.add_patch(mpatches.Rectangle((N//2-0.5, N//2-0.5), N//2, N//2, fill=False, ec="cyan", lw=2))plt.suptitle("Deux mondes contrefactuels issus de la MEME intervention do(ablation)")plt.tight_layout(); plt.show()print(f"structure zone (fin) : monde A = {agency.structure(V_rd[mask]):.5f} | monde B = {agency.structure(V_diff[mask]):.5f}")
structure zone (fin) : monde A = 0.01330 | monde B = 0.00000
La trajectoire montre l’évolution de la structure dans la zone ablatée pour deux mondes contrefactuels. À la fin de la simulation, la structure de la zone est de 0.01330 pour le monde A (réaction-diffusion) contre 0.00000 pour le monde B (diffusion pure).
4. L’agence mesuree : le gain de reparation
Le score de recuperation rapporte la structure regagnee dans la zone a la structure perdue (\(\approx 1\) = zone integralement reconstituee, \(\approx 0\) = rien ne repousse). Le gain de reparation est la différence entre les deux mondes :
Strictement positif et substantiel, il signe une trajectoire qui repare activement. C’est la mesure d’agence — et le temps de recuperation dit a quelle vitesse la forme revient vers sa consigne.
rec_rd = agency.recovery_score(V_form, V_abl, V_rd, mask)rec_diff = agency.recovery_score(V_form, V_abl, V_diff, mask)gain = agency.repair_gain(rec_rd, rec_diff)ttr = agency.time_to_recover(traj_rd, S_cible, tol=0.2, record_every=REC_EVERY)fig, (axL, axR) = plt.subplots(1, 2, figsize=(13, 5))ts = np.arange(len(traj_rd)) * REC_EVERYaxL.plot(ts, traj_rd, color="crimson", lw=2, label="monde A : reaction-diffusion")axL.plot(ts, traj_diff, color="steelblue", lw=2, label="monde B : diffusion pure")axL.axhline(S_cible, ls="--", color="grey", label="consigne (structure cible)")if ttr isnotNone: axL.axvline(ttr, ls=":", color="crimson", label=f"retour a 20% pres ({ttr} pas)")axL.set_xlabel("pas apres ablation"); axL.set_ylabel("structure dans la zone (variance)")axL.set_title("Recuperation de la structure dans la zone ablatee"); axL.legend()axR.bar(["reaction-\ndiffusion", "diffusion\npure"], [rec_rd, rec_diff], color=["crimson", "steelblue"])axR.axhline(0, color="black", lw=0.8); axR.set_ylabel("score de recuperation")axR.set_title(f"Gain de reparation = {gain:.2f}")plt.tight_layout(); plt.show()print(f"recuperation A (RD) = {rec_rd:.2f} | recuperation B (diffusion) = {rec_diff:.2f} | GAIN = {gain:.2f}")print(f"temps de recuperation (monde A, a 20% pres) = {ttr} pas")
recuperation A (RD) = 1.22 | recuperation B (diffusion) = 0.00 | GAIN = 1.22
temps de recuperation (monde A, a 20% pres) = 2400 pas
Les scores de récupération révèlent que le monde A (réaction-diffusion) atteint une récupération de 1.22 contre 0.00 pour le monde B (diffusion), ce qui donne un gain d’agence de 1.22. Le temps de récupération pour le monde A est de 2400 pas.
Exercice 2 — l’agence est-elle locale ou générale ?
On a mesure la reparation d’un quart. Une vraie regeneration devrait reparer n’importe quelle zone. Completez gain_reparation_ailleurs(quadrant) pour ablater puis mesurer le gain sur un autre quadrant, et verifiez que l’agence n’est pas un artefact de l’endroit choisi.
Indices : reproduire la logique des sections 3-4 en changeant le masque ; pure_diffusion_step(champ, modèle.Dv) pour le contrôle passif ; agency.recovery_score(...) puis agency.repair_gain(...).
def gain_reparation_ailleurs(quadrant):"""Ablate un AUTRE quadrant puis renvoie le gain de reparation (RD vs diffusion) pour cette zone. Teste si l'agence est locale a une zone ou generale. Renvoyer None tant que non complete."""# TODO etudiant :# m = agency.quadrant_mask(N, quadrant)# Ua, Va = agency.ablate(U_form, V_form, m)# _, Vr, _ = modele.run(Ua.copy(), Va.copy(), steps=REPAIR_STEPS)# Vd = Va.copy()# for _ in range(REPAIR_STEPS):# Vd = pure_diffusion_step(Vd, modele.Dv)# rec_a = agency.recovery_score(V_form, Va, Vr, m)# rec_b = agency.recovery_score(V_form, Va, Vd, m)# return agency.repair_gain(rec_a, rec_b)returnNone# TODO# Verification (a decommenter) :# for q in range(4):# print(f"quadrant {q} : gain = {gain_reparation_ailleurs(q)}")print("Exercice 2 a completer : l'agence repare-t-elle aussi bien partout ?")
Exercice 2 a completer : l'agence repare-t-elle aussi bien partout ?
5. Sans complaisance : la ressemblance trompe, le contraste tient
La tentation serait de juger la reparation par la ressemblance a l’image d’origine. Deux mesures naives le proposent — et toutes deux trompent :
distance pixel a pixel : elle penalise la reaction-diffusion, parce qu’un attracteur mitotique (les tâches se divisent et migrent) ne revient jamais au pixel pres. La bonne question n’est pas « est-ce la même image ? » mais « est-ce un motif du même type ? ».
similarite spectrale (cosinus) : elle peut attribuer un score eleve a la zone simplement diffusee… qui n’a pourtant aucune structure. Le cosinus normalise l’amplitude : il fabrique une ressemblance fantome sur un champ quasi vide — exactement le piege « mesure naive = signal fantome » d’ICT-8.
La seule mesure fiable est celle qu’on a retenue : la structure restauree, contrastee au contrôle passif. L’agence se mesure comme restauration sous intervention, pas comme ressemblance a un gabarit fige.
def crop(field): h = N //2return field[h:N, h:N] # la zone ablatee (quart bas-droit)dist_pix_rd = agency.pattern_distance(crop(V_form), crop(V_rd))dist_pix_diff = agency.pattern_distance(crop(V_form), crop(V_diff))spec_rd = agency.spectral_similarity(crop(V_form), crop(V_rd))spec_diff = agency.spectral_similarity(crop(V_form), crop(V_diff))pow_rd = agency.structure(crop(V_rd))pow_diff = agency.structure(crop(V_diff))seuil_energie =0.1* S_cible # garde-fou : 10% de la structure de referencespec_rd_g = agency.energy_gated_spectral_similarity(crop(V_form), crop(V_rd), min_variance=seuil_energie)spec_diff_g = agency.energy_gated_spectral_similarity(crop(V_form), crop(V_diff), min_variance=seuil_energie)print("Mesure naive 1 -- ressemblance PIXEL A PIXEL (plus petit = plus ressemblant) :")print(f" RD = {dist_pix_rd:.4f} | diffusion = {dist_pix_diff:.4f}")print(" -> la diffusion semble parfois 'plus proche' : PIEGE. Un attracteur mitotique ne")print(" revient jamais au pixel pres ; la RD a reconstruit un motif vivant, donc deplace.")print()print("Mesure naive 2 -- similarite SPECTRALE cosinus (plus grand = texture plus proche) :")print(f" RD = {spec_rd:.3f} (structure zone = {pow_rd:.5f})")print(f" diffusion = {spec_diff:.3f} (structure zone = {pow_diff:.5f})")print(" -> un cosinus eleve sur une zone SANS structure (~0) est une ressemblance FANTOME :")print(" le cosinus ignore l'amplitude. Sans structure, il n'y a rien a 'ressembler'.")print()print(f"Garde-fou -- similarite spectrale PROTEGEE PAR L'ENERGIE (seuil = {seuil_energie:.5f}) :")print(f" RD = {spec_rd_g:.3f} | diffusion = {spec_diff_g:.3f}")print(" -> la zone diffusee tombe SOUS le seuil : la ressemblance fantome est annulee (0).")print()print(f"Seule mesure fiable : structure restauree contrastee au controle passif -> GAIN = {gain:.2f}")
Mesure naive 1 -- ressemblance PIXEL A PIXEL (plus petit = plus ressemblant) :
RD = 0.1688 | diffusion = 0.1063
-> la diffusion semble parfois 'plus proche' : PIEGE. Un attracteur mitotique ne
revient jamais au pixel pres ; la RD a reconstruit un motif vivant, donc deplace.
Mesure naive 2 -- similarite SPECTRALE cosinus (plus grand = texture plus proche) :
RD = 0.631 (structure zone = 0.01330)
diffusion = 0.735 (structure zone = 0.00000)
-> un cosinus eleve sur une zone SANS structure (~0) est une ressemblance FANTOME :
le cosinus ignore l'amplitude. Sans structure, il n'y a rien a 'ressembler'.
Garde-fou -- similarite spectrale PROTEGEE PAR L'ENERGIE (seuil = 0.00095) :
RD = 0.631 | diffusion = 0.000
-> la zone diffusee tombe SOUS le seuil : la ressemblance fantome est annulee (0).
Seule mesure fiable : structure restauree contrastee au controle passif -> GAIN = 1.22
Les mesures de ressemblance montrent que la distance pixel à pixel est de 0.1688 pour la RD contre 0.1063 pour la diffusion, tandis que la similarité spectrale protégée par l’énergie révèle 0.631 pour la RD et 0.000 pour la diffusion — seule la mesure de structure restaurée contrastée au contrôle passif donne le gain fiable de 1.22.
6. Le contrôle « bruit apparie en variance » — la variance ne suffit pas
La mesure de structure est la variance spatiale : simple et honnete pour dire « il y a de l’energie ici ». Mais l’energie n’est pas l’organisation. Un champ de bruit blanc peut avoir exactement la même variance qu’un motif repare tout en n’ayant aucune structure spatiale.
On construit donc un contrôle adverse : un bruit apparie en moyenne et variance a la zone reparee. S’il obtient le même score de structure, c’est que la variance seule ne certifie pas une forme — il faut une mesure d’organisation. L’auto-correlation spatiale au decalage 1 (spatial_autocorrelation) joue ce rôle : proche de 1 pour un champ lisse et organise, proche de 0 pour du bruit. Elle confirme que la variance regagnee par la reaction-diffusion est une vraie forme, pas du bruit de même energie.
rng_ctrl = np.random.default_rng(GRAINE)zone_rd = crop(V_rd) # la zone reparee par reaction-diffusionbruit = agency.variance_matched_noise(zone_rd, rng_ctrl) # meme moyenne/variance, aucune organisations_rd, s_bruit = agency.structure(zone_rd), agency.structure(bruit)ac_rd, ac_bruit = agency.spatial_autocorrelation(zone_rd), agency.spatial_autocorrelation(bruit)fig, (a0, a1) = plt.subplots(1, 2, figsize=(11, 5))a0.imshow(zone_rd, cmap="magma", vmin=0, vmax=0.5)a0.set_title(f"zone reparee (RD)\nstructure={s_rd:.5f} autocorr={ac_rd:.2f}"); a0.axis("off")a1.imshow(bruit, cmap="magma", vmin=0, vmax=0.5)a1.set_title(f"bruit apparie en variance\nstructure={s_bruit:.5f} autocorr={ac_bruit:.2f}"); a1.axis("off")plt.suptitle("Meme variance, organisation opposee : la variance seule ne certifie pas une forme")plt.tight_layout(); plt.show()print(f"structure (variance) : RD = {s_rd:.5f} | bruit apparie = {s_bruit:.5f} (~ identiques)")print(f"auto-correlation spatiale : RD = {ac_rd:.2f} | bruit apparie = {ac_bruit:.2f} (le discriminant)")print("-> la variance regagnee par la RD est une VRAIE forme (voisins correles), pas du bruit de meme energie.")
structure (variance) : RD = 0.01330 | bruit apparie = 0.01330 (~ identiques)
auto-correlation spatiale : RD = 0.91 | bruit apparie = 0.00 (le discriminant)
-> la variance regagnee par la RD est une VRAIE forme (voisins correles), pas du bruit de meme energie.
La structure (variance) de la zone réparée par réaction-diffusion est de 0.01330, identique à celle du bruit apparié, mais l’auto-corrélation spatiale est de 0.91 pour la RD contre 0.00 pour le bruit — démontrant que la variance regagnée est une vraie forme avec voisins corrélés, pas du bruit.
Exercice 3 — robustesse : la probabilite de retour au bassin
Mesure plus exigeante : sur plusieurs ablations aleatoires, quelle fraction revient a la consigne ? Completez proba_retour_bassin. Avertissement d’honnetete : chaque essai est une simulation complete (c’est couteux) et le résultat est stochastique — a petit nombre d’essais, l’estimation a une forte variance. Documentez cette limite plutot que de sur-interpreter le chiffre.
Indices :agency.basin_return_probability(modèle, U_form, V_form, make_mask, steps, target_structure, ...) ; make_mask(rng) doit renvoyer un agency.disk_mask(N, cx, cy, rayon) de centre aleatoire.
def proba_retour_bassin(n_essais=5, rayon=14):"""Fraction d'ablations aleatoires (disques) dont la structure finale revient a la cible. Renvoyer None tant que non complete.ATTENTION : couteux (chaque essai = une simulation complete) et stochastique (forte variance a petit n_essais) -- ne pas sur-interpreter une statistique a petit echantillon."""# TODO etudiant :# def make_mask(rng):# cx, cy = rng.integers(0, N, size=2)# return agency.disk_mask(N, cx, cy, rayon)# return agency.basin_return_probability(# modele, U_form, V_form, make_mask,# steps=REPAIR_STEPS, target_structure=S_cible, tol=0.3,# n_trials=n_essais, rng=np.random.default_rng(GRAINE))returnNone# TODO# Verification (a decommenter -- patienter, c'est plusieurs simulations completes) :# print("proba de retour au bassin :", proba_retour_bassin(n_essais=5))print("Exercice 3 a completer : robustesse de l'agence sous ablations aleatoires (mesure couteuse).")
Exercice 3 a completer : robustesse de l'agence sous ablations aleatoires (mesure couteuse).
7. Au-dela du cas unique : un balayage de robustesse
Une seule demonstration ne fait pas une loi. On repete donc la mesure d’agence sur un petit balayage : plusieurs graines (motifs différents), plusieurs tailles et formes d’ablation (quadrant, disques de rayons varies). Le balayage est volontairement borne (3 graines x 3 masques) pour rester dans un temps de calcul raisonnable — il vise a sortir du cas unique, pas a etre exhaustif. Le critere : le gain de reparation reste-t-il positif sur l’ensemble des conditions ?
FORM_S, REPAIR_S =5000, 5000graines_sweep = [1, 7, 42]def masques_sweep(n):return [("quadrant", agency.quadrant_mask(n, 3)), ("disque r12", agency.disk_mask(n, 0.70* n, 0.30* n, 12)), ("disque r20", agency.disk_mask(n, 0.35* n, 0.65* n, 20))]lignes, gains = [], []for g in graines_sweep: Ug, Vg = modele.seed(n=N, rng=np.random.default_rng(g)) Uf, Vf, _ = modele.run(Ug, Vg, steps=FORM_S) # forme un motif (graine g)for nom, m in masques_sweep(N): Ua, Va = agency.ablate(Uf, Vf, m) # do(ablation) _, V_rd_s, _ = modele.run(Ua.copy(), Va.copy(), steps=REPAIR_S) # monde RD V_diff_s = run_pure_diffusion(Va.copy(), modele.Dv, steps=REPAIR_S) # monde diffusion r_rd = agency.recovery_score(Vf, Va, V_rd_s, m) r_diff = agency.recovery_score(Vf, Va, V_diff_s, m) gn = agency.repair_gain(r_rd, r_diff) lignes.append((g, nom, r_rd, r_diff, gn)); gains.append(gn)gains = np.array(gains)print(f"{'graine':>7}{'masque':>11}{'rec_RD':>8}{'rec_diff':>9}{'gain':>7}")for (g, nom, r_rd, r_diff, gn) in lignes:print(f"{g:>7}{nom:>11}{r_rd:>8.2f}{r_diff:>9.2f}{gn:>7.2f}")n_pos =int((gains >0).sum())print(f"\ngain de reparation : moyenne={gains.mean():.2f} min={gains.min():.2f} max={gains.max():.2f}")print(f"positif sur {n_pos}/{len(gains)} conditions (graines x masques) -> l'agence n'est pas un artefact d'un cas unique.")fig, ax = plt.subplots(figsize=(9, 4))etq = [f"g{g}\n{nom.replace(' ', '')}"for (g, nom, _, _, _) in lignes]ax.bar(range(len(gains)), gains, color=["crimson"if x >0else"grey"for x in gains])ax.axhline(0, color="black", lw=0.8)ax.set_xticks(range(len(gains))); ax.set_xticklabels(etq, fontsize=8)ax.set_ylabel("gain de reparation")ax.set_title("Agence mesuree sur 3 graines x 3 masques : le gain reste positif")plt.tight_layout(); plt.show()
graine masque rec_RD rec_diff gain
1 quadrant 1.71 0.00 1.71
1 disque r12 1.52 0.00 1.52
1 disque r20 0.97 0.00 0.97
7 quadrant 1.46 0.00 1.46
7 disque r12 0.83 0.00 0.83
7 disque r20 0.97 0.00 0.97
42 quadrant 1.57 0.00 1.56
42 disque r12 1.33 0.00 1.33
42 disque r20 0.99 0.00 0.99
gain de reparation : moyenne=1.26 min=0.83 max=1.71
positif sur 9/9 conditions (graines x masques) -> l'agence n'est pas un artefact d'un cas unique.
Le balayage sur 9 conditions (3 graines × 3 masques) montre un gain de réparation moyen de 1.26, avec un minimum de 0.83 et un maximum de 1.71. Le gain est positif sur les 9 cas, confirmant que l’agence n’est pas un artefact d’un cas unique.
8. Pont vers la suite : ICT-10/11/12 et la synthese
ICT-9 a ajoute la piece manquante du marche-pied : un point de consigne intrinseque, defendu activement. La feuille de route de la strate 2 poursuit, chaque metaphore restant attachee a une mesure :
ICT-10 — Grammaire des catastrophes : typer les transitions qualitatives (pli, fronce, fourche, hysteresis) — la catastrophe comme transition mesuree, pas comme image.
ICT-11 — Profils d’agence causale : l’agence aux echelles micro / meso / macro (lien avec la causal emergence d’ICT-5 / ICT-6).
ICT-12 — Renormalisation causale & signatures fractales : l’invariance multi-echelle des proprietes causales — le fractal comme invariance testee, pas comme jolie image.
ICT-Synthese : reunir \(\Phi\), trajectoires, bassins, transitions, reparation, emergence, invariance d’echelle et agence en un seul fil.
Discipline de la serie : ne pas ouvrir cinq fronts a la fois — une metaphore n’entre dans ICT que lorsqu’elle est attachee a une mesure.
Cette passe ICT-9.1 a consolide la base de mesure — similarite spectrale protegee par l’energie (section 5), contrôle « bruit apparie en variance » (section 6), balayage graines x tailles x formes (section 7) — avant d’etendre. Elle fige la grammaire commune dynamique -> intervention do(.) -> contrôle passif -> recuperation -> profil multi-echelle -> test d’invariance sur laquelle ICT-11 (profils d’agence multi-echelle) et ICT-12 (renormalisation) s’appuieront.
Conclusion — l’agence tenue par la mesure
On a tresse les deux fils jusqu’au bout :
Le fil metaphorique
Le fil de la mesure
un organisme « repare sa blessure »
la structure regionale (variance) regagnee après ablation
il « veut » retrouver sa forme
une consigne intrinseque : le motif qu’il engendre spontanement
la guerison est active
gain = recuperation(reaction-diffusion) - recuperation(diffusion) > 0
« ca ressemble a avant »
piege : pixel-a-pixel et cosinus fabriquent l’illusion ; seule la structure+contraste tient
deux destins possibles
deux mondes contrefactuels issus du même do(ablation) (Pearl)
« le cosinus dit que ca ressemble »
garde-fou : la similarite spectrale protegee par l’energie annule la ressemblance fantome
« il y a de la variance, donc une forme »
contrôle : un bruit apparie en variance a le même score ; l’auto-correlation tranche
« un cas, donc une loi »
un balayage graines x tailles x formes : le gain reste positif hors du cas unique
L’agence n’a pas ete declaree : elle a ete mesuree — comme un gain de recuperation sur un contrôle passif, sur un vrai système de reaction-diffusion. C’est la traduction morphogenetique de la these de la serie : une competence (« maintenir sa propre forme ») n’est creditee qu’au vu de ce qu’une expérience explicite, et contrastee, en montre. La strate 2 tient desormais son point de consigne intrinseque ; reste a en typer les transitions (ICT-10) et a en mesurer les echelles (ICT-11/12).
