Un interprète qui entend qui contrôle qui ✛

Original: "Deep Koopman operator framework for causal discovery in nonlinear dynamical systems"
arXiv:2505.14828 · 2025-05-20 · CC BY 4.0 · 2 min
Un réseau de neurones apprend le langage d'un système complexe pour voir, à travers la différence de prévisions, où est la cause et où est l'effet.

Un interprète assiste à une réunion où l'on parle une langue inconnue. Il ne connaît pas les mots, mais il remarque que lorsqu'une personne élève la voix, une autre se met à hocher la tête une minute plus tard. Au début, cela semble être le fait du hasard, mais avec le temps, l'interprète apprend à comprendre qui influence qui. C'est à peu près ainsi que fonctionne l'algorithme Kausal, qui cherche des relations causales dans les systèmes complexes.

La complexité des systèmes non linéaires tient au fait que la cause et l'effet peuvent s'inverser, et que l'effet ne se manifeste pas immédiatement. Les méthodes habituelles exigent de définir à l'avance des fonctions pour simplifier le tableau, mais c'est comme traduire sans dictionnaire. Kausal apprend son propre dictionnaire grâce à un réseau de neurones.

L'algorithme s'appuie sur l'idée de l'opérateur de Koopman, proposée dès 1931. Cet opérateur transforme la dynamique non linéaire en dynamique linéaire, mais pour cela il faut choisir les bonnes fonctions de l'état du système, c'est-à-dire les observables. Autrefois, on les définissait à la main ; désormais, le réseau de neurones les trouve tout seul, comme un interprète qui apprend la langue au fur et à mesure.

Ensuite, Kausal compare deux prévisions : l'une basée uniquement sur l'historique de l'effet, l'autre incluant la cause supposée. Si la seconde prévision est nettement plus précise, cela signifie que la cause apporte réellement une information sur l'effet. Ainsi, la différence d'erreurs devient une mesure de la force causale.

Sur les données d'El Niño, l'algorithme a repéré les événements majeurs de 1982-83, 1997-98 et 2014-16, que les méthodes à noyaux fixes avaient manqués. Cela montre que les observables entraînées capturent des relations non linéaires invisibles pour les dictionnaires prêts à l'emploi.

Aujourd'hui, Kausal peut être appliqué aux données climatiques pour comprendre comment la température de l'océan influence l'atmosphère, ou en neurosciences pour identifier les interactions entre les régions du cerveau. Mais l'essentiel est qu'il ne nécessite pas de connaître à l'avance le langage du système : il l'apprend lui-même, comme un interprète qui commence par des gestes et finit par comprendre les intonations.

L'opérateur de Koopman a été proposé en 1931, mais ce n'est qu'avec l'avènement de l'apprentissage profond qu'il est devenu possible de l'approximer efficacement sur des données réelles.

L'idée d'élever le système dans un espace où le complexe devient simple rappelle l'« hyperespace » de la science-fiction, où les vaisseaux contournent les limites de l'espace ordinaire. Ici, le rôle de l'hyperespace est joué par l'espace de dimension infinie des fonctions.

Notions
koopman operator filtre de kalman processus gaussien granger causality nonlinear laplacian spectral analysis Lagrangien théorie des ensembles causaux opérateur intégral systèmes dynamiques Dynamique non linéaire réseaux de neurones évidentiels causalité équations différentielles analyse fonctionnelle dynamique quantique algorithme quantique