Imaginez : un orchestre philharmonique joue, mais le microphone ne capte qu'un bourdonnement indistinct — un tutti où se mêlent contrebasses, flûtes et timbales. Les physiciens résolvent un problème similaire depuis des décennies en examinant les champs de densité, de température ou d'induction magnétique. Dans ces environnements multi-échelles, du plasma turbulent au milieu interstellaire, se cachent des structures imbriquées, mais sans partition, on ne sait pas quel instrument joue quoi. Les méthodes classiques soit moyennent les données en spectres, perdant l'organisation spatiale, soit imposent des modèles comme la recherche de filaments par gradients. Et si un réseau de neurones apprenait lui-même la partition en écoutant le bruit ?

ScaleAware-JEPA agit comme un chef d'orchestre virtuose, capable de « distinguer » les parties individuelles. D'abord, le champ est soumis à une décomposition par diffusion (CDD) — les données sont floutées dans le temps, et chaque instant définit son échelle, un peu comme un artiste défocalise l'arrière-plan pour révéler les grandes formes.

Ensuite, le apprentissage automatique avec une architecture JEPA apprend à prédire des zones masquées, mais non pas dans les pixels d'origine, plutôt dans un espace latent compact — une représentation abstraite où la similarité est déterminée non par la géométrie mais par la morphologie. L'astuce clé : la taille du masque qui cache les données est liée à l'échelle de la composante. Les petits détails nécessitent un petit contexte (comme un passage de flûte piccolo), tandis que les grands nécessitent un contexte étendu (comme un thème lent au tuba). Ainsi, le réseau, à l'instar de Riemann qui pressentait les espaces multidimensionnels, tisse le local et le global en une image unifiée.

On a testé sur trois exemples. La simulation numérique de la turbulence magnétohydrodynamique compressible, où le plasma obéit aux équations de Maxwell (qui unifient électricité et magnétisme, grâce à Maxwell) et aux équations de Navier-Stokes. Le réseau n'a vu que la densité, mais son espace latent s'est spontanément divisé en structures magnétiques et cinétiques — auparavant, on ne les distinguait qu'avec des données sur le champ magnétique. Deuxième exemple : la carte des lumières nocturnes de Chengdu. L'algorithme, sans connaître le concept de « ville », a lui-même séparé les centres lumineux, les routes et les périphéries diffuses. Troisième exemple : le gaz moléculaire dans la galaxie NGC 3627, observé par le télescope ALMA. Ici, un véritable atlas latent est apparu : des nuages compacts — berceaux de formation stellaire, des poussières cosmiques filamenteuses et des nébuleuses diffuses étendues.

La leçon principale : une représentation signifiante naît des données, pas des instructions. Là où il n'y a pas de diagrammes de phase prêts à l'emploi, les atlas latents deviennent une boussole. Il est étonnant que la reconnexion magnétique et les cascades turbulentes laissent une empreinte dans la densité ordinaire — de nombreux processus physiques sont secrètement inscrits dans ce que nous voyons. Qui sait si l'algorithme ne découvrira pas des régularités que nous n'avons pas encore exprimées par des équations ? À terme, on pourra généraliser aux données tridimensionnelles et au temps : les cartes statiques deviendront des films d'évolution. La fusion avec des réseaux informés par la physique (où sont intégrées les équations de Maxwell ou les lois de conservation) renforcera l'interprétabilité. L'approche s'implantera non seulement en astrophysique, mais aussi en climatologie, en science des matériaux, en urbanisme — partout où les données se présentent comme des champs continus.