La constance du papillon

« L’effet papillon » c’est un peu la pince multi-prise du prêt-à-penser: le fameux battement d’aile qui déclenche une tornade à l’autre bout du monde est la référence médiatique incontournable de tous les chaos, crises financières ou désastres écologiques dont on ne comprend pas les causes. Il faut dire que le concept a tout pour séduire: un label de théorie scientifique, une belle image de la Nature – un papillon- et l’inévitable référence à une mondialisation incontrôlable. Normal donc qu’on l’invoque sous toutes ses formes –chansons, films, essais– à chaque fois qu’on souhaite illustrer comment de toutes petites causes provoquent des grandes catastrophes, sous l’effet d’une avalanche de réactions en chaine. L’effet papillon serait-il simplement la version scientifique du nez de Cléopâtre, dont Blaise Pascal pensait que « s’il eût été plus court, la face de la Terre aurait changé »? Hmmm… Ce serait un peu court. Et surtout, la puissance d’une théorie scientifique (celle du chaos en l’occurrence) ne se mesure-t-elle pas précisément à sa capacité prédictive? Qu’y aurait-il de génial dans une théorie qui nous démontrerait juste qu’on vit dans un monde complexe et imprévisible?

A vrai dire, la théorie du chaos a fait les frais de son succès médiatique. Lorsqu’en 1972, son inventeur Edward Lorenz, fit sa fameuse conférence « Le battement des ailes d’un papillon du Brésil peut-il déclencher une tornade au Texas? », il présenta deux résultats fascinants dont le grand public ne retint que le premier. Lorenz modélisait alors des phénomènes météorologiques en faisant mouliner les laborieuses machines à calculer de l’époque sur des calculs itératifs (on prend comme données d’entrée les résultats du calcul précédent et on recommence). L’histoire raconte qu’un jour de 1961, il voulut refaire un de ses calculs pour le vérifier mais, pressé d’aller se faire un café, il eut la flemme d’entrer en machine les données complètes avec six décimales, et les arrondit au millième.

Derrière le papillon, la sensibilité aux données initiales
A sa grande surprise, l’infime variation des données initiales avait entrainé une grande divergence des prévisions: au bout d’un certain temps ce n’était plus une tempête au pôle Nord qui s’annonçait, mais une grande sécheresse dans le Sud! C’est cette hypersensibilité aux conditions initiales qui lui inspira le titre de sa conférence et qui marqua les esprits.
Ce phénomène est intéressant, mais à vrai dire pas très nouveau en physique: si vous lancez une toupie, vous connaissez parfaitement les lois auxquelles elle est soumise. Vous savez qu’elle va finir par tomber et pourtant, même en connaissant parfaitement sa vitesse de rotation, son poids etc. vous ne ne pouvez absolument pas prédire dans quelle direction elle va le faire, tant celle-ci est sensible à la moindre perturbation. Ce qui était nouveau dans la découverte de Lorenz, c’est que pour la première fois on avait déniché une telle instabilité au cœur même des ordinateurs les plus puissants.

Vous pouvez faire vous-même le même genre d’expérimentation sur Excel: prenez deux nombres qui coïncident entre eux jusqu’à la 5eme décimale, par exemple 0,1 et 0,100001. Doublez-les, ne gardez que la partie décimale et recommencez. Au début les résultats sont très proches, mais au bout de 8 itérations ils commencent à diverger. Au bout d’une vingtaine ils n’ont plus rien à voir entre eux. Voici ce que ça donne avec différents nombres au départ:

Regardez comme c’est étrange: d’une part l’ordinateur finit par se tromper sur les chiffres exacts (nombres à une décimale des premières colonnes) et d’autre part vous finissez par obtenir 0 au bout d’une cinquantaine d’itérations. Cette convergence, c’est le deuxième résultat étonnant que découvrit Lorenz, je vais y revenir.

Ainsi étaient mis en évidence des phénomènes totalement déterministes (dont les lois sont parfaitement définis et calculables) mais tellement sensibles aux conditions initiales qu’on ne peut en prédire l’évolution que jusqu’à un certain horizon temporel, faute d’en connaître l’état initial avec suffisamment de précision. Selon Philippe Etchecopar une fluctuation de 1 cm sur la position initiale de la Terre aboutit -dans les modèles actuels- à un déplacement d’un million de km après cent millions d’années.

C’est en ce sens qu’il faut comprendre l’image de « l’effet papillon »: même si nous connaissons toutes les lois d’évolution d’un système, notre capacité à en prévoir l’évolution est limitée par la précision de nos mesures initiales. Pour les prévisions météo, par exemple, autant on peut prévoir le temps qu’il fera dans trois jours, autant d’après David Ruelle, « après quinze jours (…) il faudrait tenir compte de l’effet gravitationnel qu’aurait un électron situé à 10 années lumières de la Terre »! Le papillon peut aller se rhabiller, mais le phénomène n’a rien à voir avec un enchainement compliqué de causes à effets qui relierait l’histoire réelle d’un papillon avec le déclenchement d’un séisme à l’autre bout de la planète, comme on l’imaginerait spontanément en lisant le titre de la conférence de Lorenz.

Rien à voir non plus avec le hasard même si ça y ressemble. On peut connaître parfaitement les mécanismes d’un phénomène et être incapable d’en prédire l’évolution à long terme, faute de mesures suffisamment précises au départ: c’est ce qu’on appelle le chaos déterministe. Comme l’a bien résumé bien Poincaré (déjà en 1908, décidément il est trop fort Riton) : « Une cause très petite qui nous échappe, détermine un effet considérable (…) et alors nous disons que cet effet est dû au hasard ».

Derrière le chaos, l’invariance
L’autre résultat que découvrit Lorenz un peu plus tard (il tint sa conférence onze ans après sa première découverte en 1961) me semble beaucoup plus spectaculaire bien qu’il ait été éclipsé par l’image du papillon. Certes avec des conditions initiales légèrement différentes, Lorenz obtenaient des résultats qui divergeaient totalement deux à deux au bout d’un certain nombre d’itérations. Mais il constata avec étonnement que les deux séries avaient statistiquement la même distribution de résultats.

Plus fort encore, lorsqu’on représentait graphiquement ces valeurs en trois dimensions, elles finissaient toujours par former un drôle de dessin… en forme de papillon. Quelles que soient les valeurs autour de ces valeurs initiales, les séries de résultats finissaient toujours par se distribuer autour des mêmes boucles. C’est bizarre, alors on a appelé ça un « attracteur étrange » (l’image est tirée du site du cnrs)

Attracteur étrange

Pour expliquer ça en termes de Physique (n’oublions pas qu’il s’agissait de prévisions météo), Lorenz avançait « l’idée qu’au fil des années les petites perturbations ne modifient pas la fréquence d’apparition des événements tels que les ouragans : la seule chose qu’ils peuvent faire, c’est de modifier l’ordre dans lequel ces événements se produisent.» Autrement dit on ne peut prévoir le temps qu’il fera dans plusieurs semaines (faute de précision suffisante sur les conditions atmosphériques initiales), mais on peut tout à fait prédire le nombre de jours de pluies sur une période donnée.

Derrière l’invariance, la fractale
On a pu montrer que la plupart des systèmes chaotiques (c’est à dire qui suivent des lois précises mais dont le résultat dépend fortement des conditions initiales), finissent par osciller autour d’un ensemble fini de valeurs. Pourquoi de telles boucles? Ce n’est pas encore très clair (traduisez: je n’ai pas encore bien compris!) La figure reboucle rarement deux fois sur le même point et ce qui se profile est… une fractale, mais oui! Quel que soit l’agrandissement que l’on en fasse, c’est la même complexité qui se répète à l’infini -à condition bien sûr d’itérer le calcul à l’infini lui aussi.

On peut s’amuser à fabriquer sur Excel plein de telles figures, en itérant un calcul très simple. Celui-ci par exemple. Son petit nom c’est Gumowski-Mira:

En s’amusant à donner différentes valeurs à A, B, X0 et Y0, et en observant le graphique des points (X,Y) obtenus sur un grand nombre d’itérations (typiquement 10 000), on obtient de magnifiques figures. Ca marche sur Excel, mais c’est plus joli sur la galerie de photos de Stinging Eyes.

Vous ne trouvez pas que ça ressemble étrangement aux formes que prend le plancton? J’aime l’idée que peut-être -j’ai bien dit peut-être!-une seule loi physique régisse non pas une seule forme du vivant (comme on l’a vu pour les spirales de Fibonacci), mais une grande variété de formes très différentes, au hasard des paramètres que peut prendre cette loi dans la nature.

La transformation du boulanger.
Il y a quand même des cas où l’on comprend bien que ça finisse par reboucler. Si les résultats du calcul itératif ne peuvent prendre qu’un nombre fini de valeurs, tôt ou tard on va retomber sur ses pieds. Les séries de Kaprekar en sont une illustration. Pour l’exemple vu plus haut du doublement des décimales d’un nombre c’est la même chose car l’ordinateur travaille sur un nombre fini de décimales (d’où les erreurs qu’il commet au bout d’un moment).

Cela dit, retomber sur les valeurs de départ a tout d’un tour de magie. Enfilez votre tablier de cuisine et faites une pâte à gateau. Donnez-lui une forme de carré puis aplatissez-le en lui donnant une forme de rectangle horizontal. Coupez-en la moitié droite et replacez-la au-dessus de l’autre moitié: vous voici avec un nouveau carré de même dimension que le premier. Recommencez comme ça de nombreuses fois. Si au départ vous aviez une image sur votre carré de pâte, celle-ci se trouve rapidement totalement brouillée après quelques transformations. Mais au bout d’un grand nombre de fois, l’image réapparaît comme par miracle à sa place initiale! (source: BouMaton, logiciel pour faire ces traitements d’image)


On trouve des tas de transformations semblables sur internet. Parmi les plus spectaculaires, celle dites du « photomaton » où cette fois la photo de départ est transformée en 4 photos, comme sur un photomaton justement. On recommence de nouveau pour obtenir 4×4 photos etc. Au bout de quelques transformations on retrouve notre photo initiale! (source ici) Avouez que cette invariance systématique des systèmes complexes est bien plus stupéfiante que la question de leur prédictabilité limitée. L’histoire médiatique de l’effet papillon est aussi étrange que son attracteur: le grand public en a seulement retenu la triste (mais fausse) idée d’une impuissance scientifique à prévoir quoique ce soit, alors que la théorie exhibait au contraire une troublante invariance au coeur de ces systèmes. L’incompréhension entre les scientifiques et leur époque serait-elle aussi une constante intemporelle?

Sources:
David Ruelle, Chaos, imprédictibilité et hasard
Philippe Etchecopar, Quelques éléments sur la théorie du chaos
Le site d’Alain Esculier, pour les images des transformations du boulanger
Le site d’André Lévesque, pour les merveilleuses images de fractales
L’article d’Etienne Ghys et Jos Leys sur le site du CNRS, très bien fait où un « moulin à eau » reflète physiquement les observations numériques de Lorenz.
Une conférence sur le chaos de Sophie Mugnier

Billets connexes:
Billet classé (puissance) X
sur les spirales de Fibonacci
Les meilleures recettes de Kaprekar sur les suites de nombres étonnamment cycliques
Le temps, source de désordre? pour les formes auto-organisées (dans la dernière partie du billet)

2 comments for “La constance du papillon

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *