Un cadre mathématique pour mesurer le coût minimal de transformation d'une distribution de probabilité en une autre.Le transport optimal est un cadre mathématique qui pose une question simple : quel est le moyen le plus efficace de déplacer un tas de terre (ou toute masse) d'un endroit à un autre, étant donné un coût par unité de distance ? En termes plus formels, il cherche le coût minimal pour transformer une distribution de probabilité en une autre, où le « coût » peut être défini de nombreuses manières — distance, temps, énergie, ou toute autre métrique. Ce problème, apparemment abstrait, est devenu un outil puissant dans toutes les sciences, car de nombreux processus peuvent être formulés comme le déplacement de masse ou d'information d'un état à un autre.
Le problème a été posé pour la première fois par Gaspard Monge en 1781, puis reformulé par Leonid Kantorovich en 1942, qui a introduit la formulation probabiliste qui l'a rendu traitable. Les travaux de Kantorovich lui ont valu le prix Nobel d'économie en 1975. Le domaine a connu une renaissance dans les années 1990 grâce à ses liens avec la dynamique des fluides et la géométrie.
L'idée centrale est de trouver un « plan de transport » qui associe chaque élément infinitésimal de masse de la distribution source à un élément de la distribution cible, en minimisant le coût total. Il ne s'agit pas d'une simple correspondance un à un ; c'est un problème d'optimisation globale qui peut être résolu par la programmation linéaire ou, plus élégamment, par la théorie des équations aux dérivées partielles (l'équation de Monge-Ampère). La solution révèle souvent un chemin « géodésique » entre les distributions, et le coût minimal lui-même définit une métrique (la distance de Wasserstein) qui mesure à quel point deux distributions sont « éloignées ».
Il est utilisé dans le recalage et le morphing d'images, en économie (mise en correspondance de l'offre et de la demande), en apprentissage automatique (entraînement de modèles génératifs comme les GAN), et en physique pour modéliser les écoulements granulaires et l'évolution des systèmes stellaires.
La distance de Wasserstein, dérivée du transport optimal, est la métrique utilisée dans l'entraînement des réseaux antagonistes génératifs (GAN), qui sont à l'origine de la génération de deepfakes réalistes et d'art par IA.








