Cygne noir. Combien de fois avez-vous entendu parler de Black Swan ? Malheureusement, cela n’a rien à voir avec Natalie Portman, mais c’est un terme bien plus « absolu ». Il décrit un événement extrêmement improbable, mais qui s’il se produisait pourrait provoquer de gigantesques bouleversements. Deux exemples avant tout ? La crise financière de 2008 et… tout ce que nous avons vu depuis 2020.
Par définition, personne ne voit venir un cygne noir, sinon de quel genre de cygne noir s’agirait-il ? Imprévisible. Indiquer. Mais les chercheurs de Stanford ne sont pas du genre à s’arrêter à la première (ni à la centième) difficulté, et c’est pour cette raison qu’ils tentent de changer les choses. Ils construisent une méthode informatique pour tenter de prédire quand le prochain événement « imprévisible » se produira.
Peut-on prédire un cygne noir ?
« Ce travail est passionnant car c’est l’occasion de mettre à profit les connaissances et les outils informatiques que nous construisons en laboratoire et de les utiliser dans la réalité. Pour mieux comprendre (et même prédire) ce qui se passe dans le monde qui nous entoure », dit-il Bo Wang, professeur adjoint de bio-ingénierie à Stanford et auteur principal de l'étude.
Publié dans PLOS Computational Biology, la méthode est basée sur des systèmes naturels et pourrait être utile dans la recherche sur l'environnement et la santé. (Des applications dans d’autres domaines comportant des événements de type cygne noir, tels que l’économie et la politique, pourraient survenir peu après.)
« Les méthodes de prévision existantes s'appuient sur les données passées pour prédire les données futures », explique Wang. "Et c'est pourquoi ils ont tendance à prédire le prévisible, et non l'imprévisible comme un cygne noir." La nouvelle méthode, inspirée par le chercheur Sam Bray, qui travaille dans le laboratoire de Wang, insère un élément inconnu dans l'équation. Cela suppose que nous ne voyons qu’une partie du monde et essaie de comprendre ce qui manque.
La science de l'imprévisible
Bray étudiait les communautés microbiennes depuis des années et pendant cette période, il avait observé des événements où un microbe explosait dans la population, éliminant ses rivaux. Bray et Wang se sont demandé si cela pouvait également se produire en dehors du laboratoire et, dans l'affirmative, si cela pouvait être prédit.
Pour le savoir, il leur fallait non seulement trouver des systèmes écologiques dans lesquels ce cygne noir s'était déjà produit, mais ces systèmes devraient également disposer d'énormes quantités de données détaillées, à la fois sur les événements eux-mêmes et sur l'écosystème.
Pour le développement de la méthode, trois ensembles de données provenant de systèmes naturels ont été choisis : mesures d'algues, de balanes et de moules sur la côte du Kiwi prise mensuellement pendant 20 ans ; niveaux de plancton de la mer Noire pris deux fois par semaine pendant huit ans ; et une étude de Harvard qu'il a menée mesures de carbone net d'une forêt toutes les demi-heures depuis 1991.
Les chercheurs ont traité toutes ces données en utilisant la physique statistique. Plus précisément, ils ont utilisé des modèles développés pour les avalanches et autres systèmes naturels présentant des fluctuations physiques à court terme, extrêmes et inopinées – les mêmes qualités qui distinguent un événement de cygne noir. À partir de cette analyse, ils ont développé une méthode pour prédire un événement de type cygne noir.
Un prédicteur de cygne noir ! Ça marche?
La méthode est censée être ouverte à des variables telles que les espèces et l’échelle de temps, ce qui lui permet de fonctionner même avec des données de moindre qualité. Armée de fragments ne présentant que des variations minimes, la méthode a prédit avec précision l’événement du cygne noir. Cela a fonctionné, oui.
Wang et Bray espèrent étendre ce « prédicteur », en l’introduisant dans d’autres domaines où un cygne noir peut se produire : l’économie, l’épidémiologie et la physique. Ce travail rejoint un domaine en plein essor d’algorithmes d’intelligence artificielle et de modèles informatiques destinés aux événements extrêmes, notamment ceux destinés à prédire les incendies de forêt, à aider à la recherche et au sauvetage maritimes et à optimiser les interventions d’urgence.
