Introduction : quand la même forme raconte des histoires différentes

Une coquille s'enroule autour d'un axe. Un cyclone dessine des bandes nuageuses courbes. Une galaxie présente des bras qui semblent tourner autour d'un centre lumineux. Placées côte à côte, ces images donnent l'impression qu'une même loi traverse la biologie, l'atmosphère et le cosmos.

Cette intuition est puissante. Elle est aussi dangereuse.

Une ressemblance peut signaler une parenté réelle, une contrainte commune, une même classe d'équations ou une simple convergence visuelle. Elle peut aussi être fabriquée par la manière dont nous projetons, cadrons ou choisissons les images. La science commence donc après l'émerveillement.

La bonne question n'est pas seulement : « Est-ce que ces objets se ressemblent? » Il faut demander : partagent-ils une histoire? un mécanisme? une contrainte? une équation? Réagissent-ils de la même manière lorsqu'on les perturbe? La ressemblance est-elle quantitative ou seulement qualitative?

L'ambition de cet article est de construire une méthode pour répondre à ces questions. Le mot convergence sera utilisé dans plusieurs sens — biologique, mathématique, dynamique, statistique — et ces sens ne sont pas interchangeables. Mais les comparer permet de comprendre une idée profonde : des détails différents peuvent parfois devenir secondaires, tandis que certaines contraintes, symétries ou interactions dominent la forme finale.

Figure 1 — Même forme, mécanismes différents

Coquille

Cyclone

Galaxie spirale

Onde spiralée

La silhouette rapproche les objets. Le mécanisme les sépare. Schémas originaux.

Trois questions avant de parler de convergence

Lorsqu'on observe deux formes semblables, trois questions doivent être posées dans l'ordre.

1. Quelle est la ressemblance exacte?

Est-ce la silhouette? Une relation métrique? Une loi de croissance? Une topologie? Un champ de vitesse? Une séquence temporelle? Une fonction? Une réponse à une perturbation? Une statistique? Deux courbes peuvent se ressembler à l'œil sans partager la même courbure, la même loi radiale ou la même dynamique.

2. Quelle est la cause génératrice?

Il faut identifier les mécanismes qui produisent la forme : croissance différentielle, forces, transport, réaction-diffusion, sélection naturelle, optimisation, contraintes architecturales, interactions locales, rétroactions, héritage.

3. Quelle prédiction commune peut être testée?

La comparaison devient plus forte lorsqu'un modèle partagé prédit les mêmes changements de forme lorsque les paramètres varient, les mêmes seuils, les mêmes lois d'échelle, les mêmes invariants, les mêmes réponses à une perturbation. Sans prédiction, la convergence reste souvent descriptive.

Les mots changent de sens selon les disciplines

En biologie évolutive, une convergence est une ressemblance apparue indépendamment dans des lignées différentes. En mathématiques, une suite converge lorsque ses termes se rapprochent d'une limite. En analyse numérique, un algorithme converge si ses approximations se rapprochent d'une solution. En systèmes dynamiques, une trajectoire peut converger vers un point fixe, un cycle ou un attracteur. En physique statistique, des systèmes distincts peuvent converger vers le même comportement collectif près d'un point critique.

Le même mot cache donc plusieurs opérations : devenir semblable; approcher une limite; perdre la mémoire de certains détails; atteindre une solution stable; répondre de façon comparable à une contrainte. L'article doit conserver ces distinctions au lieu de les fusionner.

**Vocabulaire clé** **Analogie** : ressemblance de structure ou de fonction, sans affirmation d'une origine commune. **Homologie** : similarité héritée d'un ancêtre commun. **Homoplasie** : similarité non expliquée par l'héritage direct (inclut convergence, parallélisme, réversion). **Convergence évolutive** : acquisition indépendante de traits similaires dans des lignées distinctes. **Parenté profonde** (deep homology) : structures phénotypiquement convergentes construites avec des circuits génétiques anciens et homologues. **Contrainte** : limitation des formes accessibles par la physique, la géométrie ou le développement. **Équifinalité** : plusieurs mécanismes différents produisent le même état final observable. **Universalité** : systèmes microscopiquement différents présentant les mêmes lois d'échelle près d'un régime particulier.

Parenté : la ressemblance héritée

Une ressemblance peut venir d'un ancêtre commun. Le bras humain, l'aile d'une chauve-souris et la nageoire d'une baleine sont organisés selon un plan osseux apparenté. Leurs fonctions ont divergé, mais leur histoire est partagée. L'homologie n'exige pas que les formes actuelles se ressemblent parfaitement. Elle concerne la continuité historique et développementale [1].

Une analyse de parenté s'appuie sur la phylogénie, l'anatomie comparée, le développement, les gènes, les fossiles et la position relative des structures. La parenté n'est donc pas une impression visuelle. C'est une hypothèse historique testée par plusieurs sources de données.

Convergence évolutive : mêmes problèmes, solutions voisines

La convergence évolutive se produit lorsque des lignées distinctes développent indépendamment des traits semblables. Les formes hydrodynamiques des dauphins, des ichthyosaures et de certains poissons illustrent une convergence fonctionnelle. Le milieu impose des coûts à la traînée, à la propulsion et à la stabilité. Des corps fuselés deviennent avantageux dans plusieurs lignées [2].

Mais la convergence n'implique pas que tout le système soit identique. Les matériaux, les architectures internes, les trajectoires développementales et les histoires génétiques peuvent rester différents. Jonathan Losos a insisté sur une nuance importante : la convergence dans des environnements semblables constitue souvent un indice d'adaptation, mais elle ne suffit pas à elle seule à prouver que la sélection est l'unique cause [2]. Les contraintes développementales, la disponibilité des variations et l'histoire peuvent canaliser les trajectoires.

Une convergence complète est rare. Elle est souvent mosaïque : convergence d'une fonction, convergence d'une forme externe, divergence de la structure interne, réutilisation partielle de gènes anciens, solutions différentes à certaines échelles [3].

Contrainte : l'espace des formes n'est pas infini

Un système n'explore pas toutes les formes imaginables. La géométrie, les matériaux, les équations, le développement et l'histoire réduisent l'espace des possibles. Le morphospace est une manière de représenter cet espace.

David Raup a montré qu'un grand nombre de coquilles pouvaient être décrites à l'aide d'un petit nombre de paramètres géométriques : taux d'expansion du tube W, distance du tube à l'axe D, déplacement le long de l'axe T, forme de l'ouverture. En faisant varier ces paramètres, on génère une vaste famille de coquilles théoriques. Mais les organismes réels n'occupent qu'une partie du morphospace [4].

Pourquoi? Plusieurs zones peuvent être mécaniquement instables, coûteuses à construire, incompatibles avec le développement, fonctionnellement inefficaces ou historiquement inaccessibles. La contrainte ne signifie donc pas qu'une seule solution est possible. Elle signifie que l'espace des solutions est structuré et inégal [5].

Figure 3 — Morphospace des coquilles (modèle de Raup)

Carte W–D (point violet = position actuelle)

Taux d'expansion W3.00
Distance à l'axe D0.30
Translation T0.00

Modèle simplifié inspiré de Raup (1966). Les zones non occupées par les organismes réels peuvent être mécaniquement instables, coûteuses ou historiquement inaccessibles. Ce modèle est une approximation pédagogique.

Parenté profonde : quand la convergence réutilise un ancien outil

L'opposition simple entre homologie et convergence est parfois insuffisante. L'œil de la pieuvre et l'œil des vertébrés ont évolué séparément dans leur architecture complexe. Pourtant, des gènes et réseaux de développement anciens participent à la formation des yeux dans de nombreux groupes. Shubin, Tabin et Carroll ont popularisé l'idée de « deep homology » : des structures apparemment nouvelles ou convergentes peuvent être construites à partir de circuits génétiques profondément homologues [1].

Cela produit une situation à plusieurs niveaux : convergence de la structure finale; parenté de certains outils génétiques; divergence des trajectoires développementales; adaptation à des fonctions comparables. La question « convergence ou parenté? » reçoit alors une réponse plus subtile : « Les deux, mais à des niveaux différents. »

**Convergence et parenté peuvent coexister** Deux structures peuvent évoluer indépendamment tout en réutilisant des gènes ou circuits développementaux profondément homologues. La question n'est pas « l'un ou l'autre » mais « à quel niveau? »

Universalité : quand les détails microscopiques disparaissent

La physique statistique fournit l'un des exemples les plus puissants de convergence scientifique. Près d'une transition de phase continue, des systèmes microscopiquement différents peuvent partager les mêmes exposants critiques. Un aimant, un fluide près de son point critique et certains modèles sur réseau peuvent présenter des lois d'échelle communes [6].

La grandeur d'ordre M peut se comporter comme M ~ |t|^β, où t mesure la distance réduite au point critique et β est un exposant critique. Le même exposant peut apparaître dans plusieurs systèmes qui n'ont pas les mêmes particules ni les mêmes interactions détaillées.

M \sim |t|^{\beta}((1))

Pourquoi? À grande échelle, certains détails deviennent « non pertinents » au sens du groupe de renormalisation. Les symétries, la dimension spatiale et la portée des interactions dominent [7]. C'est une convergence plus profonde qu'une ressemblance de silhouette. Deux systèmes appartiennent à la même classe d'universalité lorsqu'ils partagent une structure asymptotique mesurable : exposants, fonctions d'échelle, effondrement des données.

**L'universalité est une convergence mesurable** Des systèmes différents appartiennent à la même classe d'universalité lorsqu'ils partagent des exposants et fonctions d'échelle, pas seulement une apparence. La preuve repose sur l'effondrement des données après normalisation.

Équifinalité : plusieurs causes, un même résultat

Dans un système complexe, plusieurs chemins peuvent mener au même résultat. C'est l'équifinalité. Un motif identique peut être produit par des équations différentes, des paramètres différents, des historiques différents, des architectures différentes.

L'équifinalité crée un problème inverse. En observant seulement la forme finale y, peut-on retrouver le mécanisme m? Symboliquement : y = F(m, θ, x₀), où m est le modèle, θ représente ses paramètres, x₀ est l'état initial et F est le processus générateur. Plusieurs triplets (m, θ, x₀) peuvent produire des y presque identiques. L'inverse n'est alors pas unique [8].

y = F(m,\, \theta,\, x_0)((2))

Cette non-identifiabilité explique pourquoi une image seule ne suffit pas. Il faut ajouter des mesures temporelles, des perturbations, des données multi-échelles, des contraintes indépendantes, des comparaisons de modèles.

**Même résultat, plusieurs causes** L'équifinalité transforme les ressemblances en problèmes inverses. Pour distinguer les causes, il faut observer la dynamique ou perturber le système.

Figure 5 — Équifinalité
A : CroissanceproportionnelleB : RotationdifférentielleC : Propagationd'ondeMême motifobservé

Expériences de perturbation

PerturbationABC
Augmenter le taux de croissanceSpirale plus serréeSans effetSans effet
Modifier la vitesse de rotationSans effetBras plus ouvertsSans effet
Bloquer la diffusionSans effetSans effetOnde disparaît

Trois mécanismes distincts peuvent produire la même silhouette spiralée. Les perturbations séparent leurs prédictions. Schéma original.

Même équation, même mécanisme?

Deux disciplines peuvent utiliser des équations de forme similaire. Une équation de diffusion apparaît dans la chaleur, les molécules, les populations, l'information et certains modèles financiers. La forme mathématique commune révèle une structure de transport et de lissage. Mais les objets transportés, les conditions aux limites et les sources restent différents.

Une même équation réduite peut signifier : (1) un mécanisme physique commun; (2) une approximation commune; (3) une structure mathématique universelle; (4) une analogie formelle seulement. Il faut donc comparer les variables, les unités, les paramètres, les hypothèses, le domaine de validité, les perturbations et les conditions aux limites. La simple présence d'un Laplacien ou d'une exponentielle ne suffit pas [9].

La spirale comme test de rigueur

La spirale est un excellent objet pour tester les niveaux de convergence. Une spirale logarithmique plane satisfait r(θ) = a exp(b θ). Sa propriété géométrique la plus célèbre est l'angle constant entre la tangente et le rayon. Mais de nombreuses formes qualifiées de spiralées ne suivent pas cette loi.

r(\theta) = a\,e^{b\theta}((3))

Une forme peut être une spirale d'Archimède, une spirale de Fermat, une hélice, une onde spiralée, une trajectoire précessante, une rosette, un bras galactique irrégulier, une bande nuageuse courbe ou un simple motif tournant. La première étape consiste à identifier la géométrie réelle. La deuxième consiste à identifier le mécanisme. La troisième consiste à tester la réponse aux paramètres.

**La spirale n'est pas un mécanisme** « Spiralé » décrit d'abord une géométrie ou une apparence. Il faut encore découvrir ce qui croît, tourne, se propage ou se déforme.

Coquille, cyclone et galaxie : même image, trois histoires

Coquille

Une coquille peut approximativement conserver sa forme tout en augmentant d'échelle. Si chaque nouvel incrément est proportionnel à la taille existante, une géométrie logarithmique peut émerger. Le mécanisme implique croissance à l'ouverture, sécrétion de matériau, déplacement et expansion du bord, contraintes biologiques [4].

Cyclone

Un cyclone est un système fluide en rotation. Sa structure dépend notamment du gradient de pression, de la rotation terrestre, de la convection, de l'humidité, du cisaillement, de la conservation du moment cinétique et des ondes atmosphériques. Les bandes spiralées sont des structures de précipitation et de flux, pas des lignes de croissance d'une coquille.

Galaxie

Les bras galactiques ne sont pas des bras matériels rigides. Ils peuvent être associés à des ondes de densité, des instabilités du disque, des interactions gravitationnelles, la formation stellaire et des structures transitoires. Les étoiles traversent souvent les bras.

La ressemblance visuelle entre les trois systèmes est donc réelle, mais le niveau de mécanisme commun est faible. Ils partagent au mieux certaines idées abstraites : rotation, variation radiale, symétrie brisée, transport, évolution d'échelle. Ils ne partagent pas une cause unique.

Figure 7 — Ajustement logarithmique : coquille, cyclone, galaxie
CoquilleR²: 0.998CycloneR²: 0.001GalaxieR²: 0.387

Points : données schématiques. Tirets blancs : ajustement logarithmique. Un R² élevé pour la coquille reflète son mécanisme de croissance. Un R² faible pour le cyclone montre que la ressemblance visuelle ne garantit pas un ajustement robuste. Données synthétiques pédagogiques — ne pas interpréter comme des mesures réelles.

Cœur et réaction chimique : une parenté dynamique plus profonde

Comparons maintenant deux systèmes très différents matériellement : un tissu cardiaque et une réaction chimique oscillante. Dans les deux cas, on peut observer des ondes spiralées. Le tissu cardiaque est un milieu excitable. Une cellule activée déclenche ses voisines, puis traverse une période réfractaire. Certaines réactions chimiques possèdent une dynamique comparable : excitation, propagation et récupération [10].

Une forme générique de modèle réaction-diffusion est :

\frac{\partial u}{\partial t} = D_u \nabla^2 u + f(u,v)((4a))
\frac{\partial v}{\partial t} = D_v \nabla^2 v + g(u,v)((4b))

Les molécules d'une réaction et les cellules cardiaques ne sont pas parentes. Pourtant, les deux systèmes peuvent appartenir à une même famille dynamique de milieux excitables. La convergence porte sur la propagation d'un front, la période réfractaire, la rupture d'onde, la rotation autour d'un cœur, la réponse à une perturbation. Une stimulation prématurée peut briser un front et créer une onde tournante dans les deux systèmes [11]. C'est une parenté de mécanisme mathématique, pas une parenté matérielle.

Figure 4 — Deux milieux excitables

Panneau A — Tissu cardiaque (abstrait)

Potentiel de membrane

Panneau B — Réaction chimique (abstrait)

Concentration d'activateur

Repos
Excité
Réfractaire

Les deux panneaux utilisent le même modèle générique d'excitabilité (FitzHugh-Nagumo simplifié). Les substrats diffèrent — cellules cardiaques vs molécules — mais la dynamique spiralée est homologue. Simulation pédagogique originale.

Phyllotaxie : convergence entre croissance, répulsion et emballage

Les arrangements spiralés des feuilles, graines ou fleurons sont souvent associés à Fibonacci. Le nombre seul n'explique pas le mécanisme. Des modèles physiques et développementaux montrent que des interactions locales peuvent produire des angles de divergence proches de l'angle d'or. Les ingrédients peuvent inclure croissance du méristème, initiation successive de primordia, inhibition locale, transport d'auxine, emballage spatial et déplacement radial [12].

L'angle de divergence proche de α = 2π(1 − 1/φ) réduit les alignements répétés et favorise une répartition efficace. Mais plusieurs mécanismes peuvent produire des motifs voisins. La convergence observée entre des modèles mécaniques, biologiques et géométriques doit être analysée par les prédictions quantitatives : transitions entre nombres de parastiches, ordre d'apparition, réponse à la taille du méristème, défauts, dynamique de croissance.

\alpha \approx 2\pi\left(1 - \frac{1}{\varphi}\right) \approx 137.5°((5))

Comment mesurer une convergence au lieu de la déclarer

Une comparaison scientifique doit définir une distance. Pour deux formes A et B, on peut mesurer la distance de Hausdorff, la différence de courbure, les paramètres ajustés, les moments, les symétries, la topologie, le spectre, les exposants d'échelle ou la réponse dynamique.

En évolution, des méthodes comme celles de Stayton demandent si des lignées sont devenues plus semblables qu'elles ne l'étaient ancestralement [13]. Une mesure simple de convergence compare d_anc (distance entre états ancestraux) et d_tip (distance entre états actuels). Une convergence phénotypique implique typiquement d_tip < d_anc. Mais ce critère dépend du modèle d'évolution, de la reconstruction ancestrale, du choix des traits, de l'échelle et de la phylogénie.

En physique, on cherchera plutôt un effondrement de données. Si plusieurs courbes deviennent une même fonction après normalisation, la convergence est quantitative. En dynamique, on comparera attracteurs, spectres, bifurcations, exposants et fonctions de réponse.

La grille de preuve en sept niveaux

Cette échelle n'est pas absolue. Elle sert à rendre explicite le niveau de preuve atteint pour une comparaison donnée.

  1. Niveau 0 — Ressemblance visuelle : deux images paraissent semblables.
  2. Niveau 1 — Similarité géométrique : une mesure confirme une forme ou relation comparable.
  3. Niveau 2 — Similarité fonctionnelle : les structures remplissent une fonction voisine.
  4. Niveau 3 — Contrainte commune : une même limitation réduit l'espace des solutions.
  5. Niveau 4 — Modèle générateur commun : les mêmes équations ou règles locales reproduisent les deux systèmes.
  6. Niveau 5 — Prédictions quantitatives communes : le modèle prédit les mêmes seuils, transitions ou lois d'échelle.
  7. Niveau 6 — Réponse commune à une perturbation : les systèmes réagissent comme le modèle le prévoit.
  8. Niveau 7 — Invariants ou classe d'universalité : les détails microscopiques changent, mais certaines propriétés mesurées restent identiques.
Figure 2 — Échelle de preuve de convergence
7/8 atteint
0
Niveau 0 — Ressemblance visuelleAtteint

Les deux montrent des ondes spiralées.

1
Niveau 1 — Similarité géométriqueAtteint

Géométrie des ondes comparables (longueur d'onde, rotation).

2
Niveau 2 — Similarité fonctionnelleAtteint

Propagation d'un signal dans un milieu : fonction analogue.

3
Niveau 3 — Contrainte communeAtteint

Contrainte commune : excitabilité locale + période réfractaire.

4
Niveau 4 — Modèle générateur communAtteint

Le même modèle réaction-diffusion reproduit les deux.

5
Niveau 5 — Prédictions quantitatives communesAtteint

Mêmes prédictions : rupture d'onde, fréquence de rotation.

6
Niveau 6 — Réponse commune à une perturbationAtteint

Stimulation prématurée → spirale dans les deux systèmes.

7
Niveau 7 — Invariants ou classe d'universalitéNon atteint

Classes d'universalité distinctes à l'échelle microscopique.

Sélectionnez une paire de systèmes pour voir quels niveaux de preuve sont atteints. Le score est un outil pédagogique, pas une vérité scientifique absolue.

Expériences de perturbation : le test le plus fort

Une forme statique est ambiguë. Une perturbation révèle la dynamique. Pour distinguer des mécanismes, on peut modifier un paramètre, une condition initiale, une frontière, une échelle, une interaction, un délai ou une source d'énergie. Si deux systèmes partagent un mécanisme, ils devraient souvent présenter des transformations homologues après normalisation.

Exemples : modifier l'excitabilité d'un milieu change la vitesse et la stabilité des ondes spiralées; modifier la croissance d'un méristème change les parastiches; modifier les interactions d'un réseau change sa transition collective; modifier la viscosité ou la rotation change un régime fluide. La perturbation fait passer la comparaison de l'image à la causalité.

Les pièges de projection, d'échelle et de sélection

Une hélice vue de face peut sembler circulaire. Une trajectoire tridimensionnelle projetée en deux dimensions peut sembler spiralée. Une courbe quelconque recadrée autour d'un centre peut paraître régulière. Les échelles posent un autre piège : un motif peut être spiralé localement mais non globalement. Une galaxie peut comporter des segments de bras sans suivre une spirale logarithmique unique.

Le biais de sélection est également puissant. Si l'on cherche des spirales partout, on conserve les images qui ressemblent à des spirales et on oublie les contre-exemples. Une bonne analyse doit donc inclure une règle de sélection explicite, des exemples négatifs, des mesures à l'aveugle, des comparaisons alternatives et un intervalle d'incertitude [9].

**Une ressemblance n'est pas une explication** Une image peut suggérer une hypothèse. Elle ne permet pas d'identifier à elle seule le mécanisme qui a produit la forme.

Mini-laboratoire interactif de comparaison

Le comparateur ci-dessous permet de sélectionner deux systèmes et d'examiner leurs caractéristiques côte à côte : géométrie, variable en rotation, source d'énergie, mécanisme générateur, équations, paramètres clés, échelle, réponse à une perturbation, invariants et niveau de preuve de convergence. Le score est un outil pédagogique, pas une vérité scientifique universelle.

Figure 6 — Comparateur de systèmes
CritèreOnde cardiaqueRéaction chimique
GéométrieOnde spiralée (rotor)Onde spiralée (BZ, CIMA)
Variable en rotationPotentiel de membraneConcentration d'activateur
Source d'énergieGradient ionique (ATP)Énergie chimique (réactifs)
Mécanisme générateurExcitabilité + période réfractaire + diffusionExcitabilité + période réfractaire + diffusion
Équations∂u/∂t = D∇²u + f(u,v)∂u/∂t = D∇²u + f(u,v)
Paramètres clésExcitabilité, période réfractaire, diffusionConcentrations, coefficients de diffusion
ÉchelleMillimètres à centimètresMillimètres à centimètres
Réponse à une perturbationStimulation prématurée → rupture → spiraleStimulation locale → rupture → spirale
InvariantsFréquence de rotation du rotorFréquence de rotation du rotor
Niveau de preuve
6 — Perturbation
6 — Perturbation

Sélectionnez deux systèmes pour comparer leurs caractéristiques. Une ressemblance de silhouette peut coexister avec des mécanismes très différents.

Figure 8 — Arbre de décision

Question 1/7

La ressemblance est-elle mesurable quantitativement?

Arbre de décision pédagogique. Les sorties sont des catégories analytiques, pas des verdicts définitifs. Schéma original.

Figure 9 — Matrice récapitulative
SystèmeSpirale géométriqueCroissanceRotationTransportMilieu excitableParenté de mécanisme
Coquille✓✓✗✗✗✗
Cyclone~✗✓✓✗✗
Galaxie spirale~✗✓~✗✗
Onde cardiaque✓✗✓~✓✓

✓ Présent · ~ Partiel · ✗ Absent

« Spiralé » n'est pas une catégorie causale unique. Chaque ligne révèle un profil distinct. Schéma original.

Ce que « tout converge » peut vouloir dire scientifiquement

Le titre du projet ne doit pas signifier que toutes les sciences obéissent à une seule cause. Il peut recevoir un sens plus rigoureux. « Tout converge » peut signifier que des problèmes semblables réduisent l'espace des solutions; que certaines formes sont stables ou efficaces; que des lois d'échelle réapparaissent; que des dynamiques différentes partagent des modèles réduits; que des systèmes complexes perdent certains détails à grande échelle; que des outils mathématiques communs deviennent pertinents [14].

La convergence n'efface pas les différences. Elle permet de demander quels détails comptent et lesquels deviennent secondaires. La meilleure version de l'idée n'est donc pas : « Tout est la même chose. » Elle est : « Des systèmes différents peuvent devenir comparables à un niveau précis, mesurable et limité. »

Conclusion

Les ressemblances entre domaines sont parmi les plus puissants moteurs de découverte. Elles permettent de transférer une équation, une méthode, une expérience, une intuition, une représentation. Mais une analogie devient dangereuse lorsqu'elle remplace l'explication.

La méthode proposée dans cet article est simple : définir la ressemblance; identifier le mécanisme; mesurer les paramètres; tester les prédictions; perturber le système; chercher les invariants; préciser les limites.

La spirale illustre parfaitement cette discipline intellectuelle. Une coquille, un cyclone, une galaxie et une onde cardiaque peuvent toutes être dites spiralées. Pourtant, leurs degrés de parenté scientifique sont radicalement différents. Ce n'est pas une faiblesse du projet Spirals Everywhere. C'est son cœur.

La beauté des ressemblances ne réside pas dans l'affirmation qu'elles ont toutes la même origine. Elle réside dans la découverte exacte de ce qu'elles partagent, de ce qu'elles ne partagent pas, et de la raison pour laquelle certaines formes réapparaissent.

Références

  1. [1]
    Penrose, Roger (1989). The Emperor's New Mind. Oxford University Press. ISBN: 978-0-19-851973-7
  2. [2]
    Lorenz, Edward N. (1963). Deterministic Nonperiodic Flow. Journal of the Atmospheric Sciences, 20(2), p. 130–141. DOI: 10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2
  3. [3]
    Prigogine, Ilya (1977). Self-Organization in Nonequilibrium Systems. John Wiley & Sons. ISBN: 978-0-471-02401-9
  4. [4]
    Strogatz, Steven H. (1994). Nonlinear Dynamics and Chaos. Addison-Wesley. ISBN: 978-0-7382-0453-6
  5. [5]
    Cross, M. C., Hohenberg, P. C. (1993). Pattern Formation Outside of Equilibrium. Reviews of Modern Physics, 65(3), p. 851–1112. DOI: 10.1103/RevModPhys.65.851
  6. [6]
    Belousov, Boris P. (1959). A Periodic Reaction and Its Mechanism. Sbornik Referatov po Radiatsionni Meditsine, p. 145–147
  7. [7]
    Haken, Hermann (1983). Synergetics: An Introduction. Springer-Verlag. DOI: 10.1007/978-3-642-88338-5. ISBN: 978-3-540-12597-2
  8. [8]
    Contopoulos, George (2002). Order and Chaos in Dynamical Astronomy. Springer-Verlag. DOI: 10.1007/978-3-662-04917-4. ISBN: 978-3-540-43360-0
  9. [9]
    Wolfram, Stephen (2002). A New Kind of Science. Wolfram Media. ISBN: 978-1-57955-008-0
  10. [10]
    Hofstadter, Douglas R. (1979). Gödel, Escher, Bach: An Eternal Golden Braid. Basic Books. ISBN: 978-0-465-02656-2
  11. [11]
    Gleick, James (1987). Chaos: Making a New Science. Viking Penguin. ISBN: 978-0-670-81178-4
  12. [12]
    Conway, John Horton (1970). The Game of Life. Scientific American, 223(4), p. 4–10
  13. [13]
    von Neumann, John (1966). Theory of Self-Reproducing Automata. University of Illinois Press
  14. [14]
    Kauffman, Stuart A. (1993). The Origins of Order: Self-Organization and Selection in Evolution. Oxford University Press. ISBN: 978-0-19-507951-7
  15. [15]
    Holland, John H. (1995). Hidden Order: How Adaptation Builds Complexity. Addison-Wesley. ISBN: 978-0-201-40793-4
  16. [16]
    Barabási, Albert-László, Albert, Réka (1999). Emergence of Scaling in Random Networks. Science, 286(5439), p. 509–512. DOI: 10.1126/science.286.5439.509
  17. [17]
    Watts, Duncan J., Strogatz, Steven H. (1998). Collective Dynamics of "Small-World" Networks. Nature, 393, p. 440–442. DOI: 10.1038/30918
  18. [18]
    Anderson, Philip W. (1972). More Is Different. Science, 177(4047), p. 393–396. DOI: 10.1126/science.177.4047.393
  19. [19]
    Bak, Per, Tang, Chao, Wiesenfeld, Kurt (1987). Self-Organized Criticality: An Explanation of the 1/f Noise. Physical Review Letters, 59(4), p. 381–384. DOI: 10.1103/PhysRevLett.59.381
  20. [20]
    Bak, Per (1996). How Nature Works: The Science of Self-Organized Criticality. Copernicus Books. DOI: 10.1007/978-1-4757-5426-1. ISBN: 978-0-387-94791-4
  21. [21]
    Schroeder, Manfred (1991). Fractals, Chaos, Power Laws: Minutes from an Infinite Paradise. W. H. Freeman and Company. ISBN: 978-0-7167-2357-8
  22. [22]
    Nicolis, Grégoire, Prigogine, Ilya (1977). Self-Organization in Nonequilibrium Systems. John Wiley & Sons. ISBN: 978-0-471-02401-9
  23. [23]
    Gell-Mann, Murray (1994). The Quark and the Jaguar: Adventures in the Simple and the Complex. W. H. Freeman and Company. ISBN: 978-0-7167-2725-5
  24. [24]
    Waldrop, M. Mitchell (1992). Complexity: The Emerging Science at the Edge of Order and Chaos. Simon & Schuster. ISBN: 978-0-671-76789-5
  25. [25]
    Levin, Simon A. (1998). Ecosystems and the Biosphere as Complex Adaptive Systems. Ecosystems, 1(5), p. 431–436. DOI: 10.1007/s100219900037
  26. [26]
    Newman, M. E. J. (2003). The Structure and Function of Complex Networks. SIAM Review, 45(2), p. 167–256. DOI: 10.1137/S003614450342480
  27. [27]
    Strogatz, Steven H. (2003). Sync: The Emerging Science of Spontaneous Order. Hyperion. ISBN: 978-0-7868-6844-5
  28. [28]
    Camazine, Scott, Deneubourg, Jean-Louis, Franks, Nigel R., Sneyd, James, Theraula, Guy, Bonabeau, Eric (2001). Self-Organization in Biological Systems. Princeton University Press. ISBN: 978-0-691-01211-3
  29. [29]
    Bonabeau, Eric, Dorigo, Marco, Theraulaz, Guy (1999). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press. ISBN: 978-0-19-513159-8
  30. [30]
    Gould, Stephen Jay, Lewontin, Richard C. (1979). The Spandrels of San Marco and the Panglossian Paradigm. Proceedings of the Royal Society B, 205(1161), p. 581–598. DOI: 10.1098/rspb.1979.0086
  31. [31]
    Dawkins, Richard (1986). The Blind Watchmaker. W. W. Norton & Company. ISBN: 978-0-393-31570-7
  32. [32]
    Hofstadter, Douglas R. (2007). I Am a Strange Loop. Basic Books. ISBN: 978-0-465-03078-1
  33. [33]
    Wilson, Edward O. (1998). Consilience: The Unity of Knowledge. Knopf. ISBN: 978-0-679-45077-1
  34. [34]
    Capra, Fritjof (1996). The Web of Life: A New Scientific Understanding of Living Systems. Anchor Books. ISBN: 978-0-385-47676-8
  35. [35]
    Barabási, Albert-László (2002). Linked: The New Science of Networks. Perseus Publishing. ISBN: 978-0-7382-0667-7
  36. [36]
    Poincaré, Henri (1892). Les Méthodes nouvelles de la mécanique céleste. Gauthier-Villars
  37. [37]
    Thom, René (1972). Stabilité structurelle et morphogenèse. W. A. Benjamin. ISBN: 978-0-8053-9279-0
  38. [38]
    Zeeman, E. Christopher (1977). Catastrophe Theory: Selected Papers 1972–1977. Addison-Wesley. ISBN: 978-0-201-09419-0
  39. [39]
    May, Robert M. (1976). Simple Mathematical Models with Very Complicated Dynamics. Nature, 261, p. 459–467. DOI: 10.1038/261459a0
  40. [40]
    Feigenbaum, Mitchell J. (1978). Quantitative Universality for a Class of Nonlinear Transformations. Journal of Statistical Physics, 19(1), p. 25–52. DOI: 10.1007/BF01020332
  41. [41]
    Smale, Stephen (1967). Differentiable Dynamical Systems. Bulletin of the American Mathematical Society, 73(6), p. 747–817. DOI: 10.1090/S0002-9904-1967-11798-1
  42. [42]
    Ruelle, David, Takens, Floris (1971). On the Nature of Turbulence. Communications in Mathematical Physics, 20(3), p. 167–192. DOI: 10.1007/BF01646553
  43. [43]
    Winfree, Arthur T. (1980). The Geometry of Biological Time. Springer-Verlag. DOI: 10.1007/978-3-662-22492-2. ISBN: 978-0-387-52528-7
  44. [44]
    Kuramoto, Yoshiki (1984). Chemical Oscillations, Waves, and Turbulence. Springer-Verlag. DOI: 10.1007/978-3-642-69689-2. ISBN: 978-3-642-69691-5
  45. [45]
    Ott, Edward (1993). Chaos in Dynamical Systems. Cambridge University Press. ISBN: 978-0-521-43799-5
  46. [46]
    Guckenheimer, John, Holmes, Philip (1983). Nonlinear Oscillations, Dynamical Systems, and Bifurcations of Vector Fields. Springer-Verlag. DOI: 10.1007/978-1-4612-1140-2. ISBN: 978-0-387-90819-9
  47. [47]
    Arnold, Vladimir I. (1978). Mathematical Methods of Classical Mechanics. Springer-Verlag. DOI: 10.1007/978-1-4757-1693-1. ISBN: 978-0-387-96890-2
  48. [48]
    Milnor, John (1985). On the Concept of Attractor. Communications in Mathematical Physics, 99(2), p. 177–195. DOI: 10.1007/BF01212280
  49. [49]
    Langton, Christopher G. (1990). Computation at the Edge of Chaos: Phase Transitions and Emergent Computation. Physica D: Nonlinear Phenomena, 42(1–3), p. 12–37. DOI: 10.1016/0167-2789(90)90064-V
  50. [50]
    Axelrod, Robert (1984). The Evolution of Cooperation. Basic Books. ISBN: 978-0-465-02122-2
  51. [51]
    Eigen, Manfred, Schuster, Peter (1979). The Hypercycle: A Principle of Natural Self-Organization. Springer-Verlag. DOI: 10.1007/978-3-642-67247-7. ISBN: 978-3-540-09293-3
  52. [52]
    Cowan, Jack D. (1982). Spontaneous Symmetry Breaking in Large Scale Nervous Activity. International Journal of Quantum Chemistry, 22(S9), p. 1059–1082. DOI: 10.1002/qua.560220845
  53. [53]
    Goodwin, Brian (1994). How the Leopard Changed Its Spots: The Evolution of Complexity. Charles Scribner's Sons. ISBN: 978-0-684-82636-6
  54. [54]
    Murray, James D. (1989). Mathematical Biology. Springer-Verlag. DOI: 10.1007/978-3-662-08539-4. ISBN: 978-3-540-17620-4
  55. [55]
    Waddington, Conrad H. (1957). The Strategy of the Genes. George Allen & Unwin
  56. [56]
    Gödel, Kurt (1931). Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme I. Monatshefte für Mathematik und Physik, 38, p. 173–198. DOI: 10.1007/BF01700692
  57. [57]
    Cook, Matthew (2004). Universality in Elementary Cellular Automata. Complex Systems, 15(1), p. 1–40
  58. [58]
    Gardner, Martin (1970). Mathematical Games: The Fantastic Combinations of John Conway's New Solitaire Game "Life". Scientific American, 223(4), p. 120–123
  59. [59]
    Darwin, Charles (1859). On the Origin of Species by Means of Natural Selection. John Murray
  60. [60]
    Schrödinger, Erwin (1944). What Is Life? The Physical Aspect of the Living Cell. Cambridge University Press. ISBN: 978-0-521-42708-1
  61. [61]
    Monod, Jacques (1970). Le Hasard et la Nécessité. Éditions du Seuil. ISBN: 978-2-02-000618-5
  62. [62]
    Jacob, François (1970). La Logique du vivant. Gallimard. ISBN: 978-2-07-029564-0
  63. [63]
    Atlan, Henri (1979). Entre le cristal et la fumée. Éditions du Seuil. ISBN: 978-2-02-005387-5
  64. [64]
    Morin, Edgar (1977). La Méthode, tome 1 : La Nature de la Nature. Éditions du Seuil. ISBN: 978-2-02-004795-9
  65. [65]
    Varela, Francisco J., Maturana, Humberto R., Uribe, Ricardo (1974). Autopoiesis: The Organization of Living Systems, Its Characterization and a Model. Biosystems, 5(4), p. 187–196. DOI: 10.1016/0303-2647(74)90031-8
  66. [66]
    Prigogine, Ilya, Stengers, Isabelle (1984). Order Out of Chaos: Man's New Dialogue with Nature. Bantam Books. ISBN: 978-0-553-34082-2
  67. [67]
    von Bertalanffy, Ludwig (1968). General System Theory: Foundations, Development, Applications. George Braziller. ISBN: 978-0-8076-0453-3
  68. [68]
    Wiener, Norbert (1948). Cybernetics: Or Control and Communication in the Animal and the Machine. MIT Press. ISBN: 978-0-262-73009-9
  69. [69]
    Ashby, W. Ross (1956). An Introduction to Cybernetics. Chapman & Hall
  70. [70]
    Simon, Herbert A. (1969). The Sciences of the Artificial. MIT Press. ISBN: 978-0-262-69073-5
  71. [71]
    Minsky, Marvin (1986). The Society of Mind. Simon & Schuster. ISBN: 978-0-671-60740-1
  72. [72]
    Penrose, Roger (1994). Shadows of the Mind: A Search for the Missing Science of Consciousness. Oxford University Press. ISBN: 978-0-19-853978-0

Références

  1. [1]
    Shubin, N., Tabin, C., & Carroll, S.. (2009). Deep Homology and the Origins of Evolutionary Novelty. Nature, 457, p. 818–823. DOI: 10.1038/nature07891 — Parenté profonde et convergence à plusieurs niveaux.
  2. [2]
    Losos, J. B.. (2011). Convergence, Adaptation, and Constraint. Evolution, 65(7), p. 1827–1840. DOI: 10.1111/j.1558-5646.2011.01289.x — Convergence évolutive, adaptation et contraintes.
  3. [3]
    Wake, D. B., Wake, M. H., & Specht, C. D.. (2011). Homoplasy: From Detecting Pattern to Determining Process and Mechanism of Evolution. Science, 331(6020), p. 1032–1035. DOI: 10.1126/science.1188545 — Passer du motif au mécanisme.
  4. [4]
    Raup, D. M.. (1966). Geometric Analysis of Shell Coiling: General Problems. Journal of Paleontology, 40, p. 1178–1190 — Morphospace paramétrique des coquilles.
  5. [5]
    Gerber, S.. (2017). The Geometry of Morphospaces: Lessons from the Classic Raup Shell Coiling Model. Biological Reviews, 92, p. 1142–1155. DOI: 10.1111/brv.12276 — Limites et interprétation du morphospace de Raup.
  6. [6]
    Wilson, K. G.. (1971). Renormalization Group and Critical Phenomena. I. Renormalization Group and the Kadanoff Scaling Picture. Physical Review B, 4, p. 3174–3183. DOI: 10.1103/PhysRevB.4.3174 — Groupe de renormalisation.
  7. [7]
    Wilson, K. G.. (1971). Renormalization Group and Critical Phenomena. II. Phase-Space Cell Analysis of Critical Behavior. Physical Review B, 4, p. 3184–3205. DOI: 10.1103/PhysRevB.4.3184 — Classes d'universalité.
  8. [8]
    Pearl, J.. (2009). Causality: Models, Reasoning, and Inference. Cambridge University Press — Distinction corrélation, intervention et causalité.
  9. [9]
    Oreskes, N., Shrader-Frechette, K., & Belitz, K.. (1994). Verification, Validation, and Confirmation of Numerical Models in the Earth Sciences. Science, 263(5147), p. 641–646. DOI: 10.1126/science.263.5147.641 — Limites de validation des modèles.
  10. [10]
    Winfree, A. T.. (1980). The Geometry of Biological Time. Springer — Ondes biologiques, phase et spirales.
  11. [11]
    Cross, M. C., & Hohenberg, P. C.. (1993). Pattern Formation Outside of Equilibrium. Reviews of Modern Physics, 65, p. 851–1112. DOI: 10.1103/RevModPhys.65.851 — Cadre général de formation des motifs.
  12. [12]
    Douady, S., & Couder, Y.. (1992). Phyllotaxis as a Physical Self-Organized Growth Process. Physical Review Letters, 68, p. 2098–2101. DOI: 10.1103/PhysRevLett.68.2098 — Auto-organisation physique de la phyllotaxie.
  13. [13]
    Stayton, C. T.. (2015). The Definition, Recognition, and Interpretation of Convergent Evolution, and Two New Measures for Quantifying and Assessing the Significance of Convergence. Evolution, 69(8), p. 2140–2153. DOI: 10.1111/evo.12729 — Mesure quantitative de convergence.
  14. [14]
    Anderson, P. W.. (1972). More Is Different. Science, 177(4047), p. 393–396. DOI: 10.1126/science.177.4047.393 — Niveaux d'organisation et émergence.
  15. [ ]
    Blount, Z. D., Lenski, R. E., & Losos, J. B.. (2018). Contingency and Determinism in Evolution: Replaying Life's Tape. Science, 362(6415), p. eaam5979. DOI: 10.1126/science.aam5979 — Répétabilité, contingence et prévisibilité.
  16. [ ]
    McGhee, G. R.. (2011). Convergent Evolution: Limited Forms Most Beautiful. MIT Press — Espace limité des formes possibles.
  17. [ ]
    Thompson, D'Arcy W.. (1917). On Growth and Form. Cambridge University Press — Rôle de la géométrie et des transformations physiques.
  18. [ ]
    Turing, A. M.. (1952). The Chemical Basis of Morphogenesis. Philosophical Transactions of the Royal Society B, 237(641), p. 37–72. DOI: 10.1098/rstb.1952.0012 — Réaction-diffusion et motifs.
  19. [ ]
    Kuramoto, Y.. (1984). Chemical Oscillations, Waves, and Turbulence. Springer. DOI: 10.1007/978-3-642-69689-2 — Oscillations chimiques et ondes.
  20. [ ]
    Barkley, D.. (1991). A Model for Fast Computer Simulation of Waves in Excitable Media. Physica D, 49, p. 61–70 — Modèle pédagogique d'ondes spiralées.
  21. [ ]
    Goldenfeld, N.. (1992). Lectures on Phase Transitions and the Renormalization Group. Addison-Wesley — Pédagogie des classes d'universalité.
  22. [ ]
    Simon, H. A.. (1962). The Architecture of Complexity. Proceedings of the American Philosophical Society, 106(6), p. 467–482 — Hiérarchie, quasi-décomposabilité et niveaux.
  23. [ ]
    Levins, R.. (1966). The Strategy of Model Building in Population Biology. American Scientist, 54(4), p. 421–431 — Compromis réalisme, généralité et précision.