Physarum : naissance d'un réseau

Il existe un être vivant qui résout des labyrinthes sans avoir de cerveau. Physarum polycephalum, une moisissure visqueuse — une seule cellule géante, étalée en éventail, sans neurone ni système nerveux. Posez de la nourriture aux deux sorties d’un labyrinthe et laissez-la explorer : en quelques heures, elle retire sa masse des impasses et ne conserve qu’un unique filament, le plus court chemin entre les deux points (Nakagaki, 2000). Mieux : nourrissez-la aux emplacements des villes autour de Tokyo, et le réseau de veines qu’elle tisse reproduit la topologie du réseau ferroviaire japonais — un tracé optimisé par des ingénieurs, retrouvé par une cellule sans plan (Tero et al., 2010).

Comment un organisme sans tête « calcule »-t-il un réseau efficace ? Cette expérience — la cinquième de LifeLabs — reconstruit le mécanisme le plus dépouillé possible et le regarde opérer. La commande exacte est sur la fiche du run, reproductible à partir de la graine 42.

Une règle locale, un champ partagé

Aucune « intelligence » n’est écrite dans le code — et le mot mérite ses guillemets. Il n’y a que 65 536 agents minuscules, chacun réduit à une position et un cap, et un champ de piste partagé, une grille 256×256. À chaque pas, tous les agents suivent la même règle, purement locale :

• sentir : trois capteurs (devant, avant-gauche, avant-droite) échantillonnent le champ de piste un peu plus loin ;
• tourner vers le capteur qui lit le plus de piste ;
• avancer d’un pas dans la nouvelle direction ;
• déposer un peu de piste à l’endroit atteint.

Puis le champ lui-même vit sa vie : il diffuse (chaque case se mélange à ses voisines) et décroît (10 % s’évapore à chaque pas). C’est tout. Aucun agent ne voit un autre agent ; aucun ne connaît la carte ; aucun n’a de mémoire au-delà de son cap courant.

Ce qui les relie, c’est le champ. Un agent dépose de la piste ; cette piste attire d’autres agents qui, à leur tour, en déposent ; un sillon un peu marqué se creuse, capte davantage de passage, se renforce encore. À l’inverse, une piste que plus personne n’emprunte s’évapore. Ce mécanisme — communiquer en modifiant l’environnement plutôt qu’en s’adressant à l’autre — porte un nom : la stigmergie. C’est ce que font les fourmis avec leurs phéromones. Le réseau n’est pas décidé ; il est le résidu stable d’un renforcement et d’un oubli qui s’équilibrent.

Ce que montre ce run

2 000 pas, champ 256×256, 65 536 agents, colormap « braise ». Les signes vitaux racontent l’histoire mieux qu’une image figée :

• le contraste du réseau — la variabilité relative du champ, notre mesure de « à quel point la piste est concentrée en veines plutôt qu’étalée » — part de 0,18 au pas 10 et grimpe jusqu’à 0,50 en fin de course, près de trois fois plus. Le contraste n’est pas dans le semis initial : il est produit par la dynamique.
• la couverture — la part du champ densément marquée — se stabilise à 0,14 : le réseau est localisé, ni vide ni inondé. Les veines occupent une fraction du plan, le reste est du vide entre elles.
• la corrélation de voisinage atteint 0,999 : les cases voisines se ressemblent énormément. C’est la signature d’une structure contiguë — des veines continues, pas un poudroiement de bruit (un champ de bruit blanc donnerait une corrélation proche de zéro).
• le classificateur, aveugle et automatique, tranche : network.

Et surtout, sur la vidéo, on voit les deux temps de l’histoire. Au départ, les agents fraîchement dispersés couvrent tout d’un grésil dense et fin, presque uniforme. Puis ce grésil se coarse : les pistes se regroupent, les fines mailles fusionnent en veines plus épaisses, des vides s’ouvrent entre elles, des nœuds brillants apparaissent aux carrefours. Le motif final est un réseau réticulé, alvéolaire — un lacis de filaments et de cellules qui continue de se réorganiser lentement, migrant et se rebranchant, sans jamais tout à fait se figer. Personne n’a dessiné ces veines ; elles sont le lieu où le renforcement a gagné contre l’évaporation.

Une honnêteté de vocabulaire

Dire que ce réseau « s’optimise » demande de la prudence. Notre règle de virage est déterministe (chaque agent suit son capteur le plus fort), là où le modèle de référence de Jones (2010) ajoute un virage aléatoire — même famille d’émergence, choix assumé pour garantir la reproductibilité. Et notre run ne prétend pas résoudre un labyrinthe : il montre le substrat commun — la boucle dépôt / diffusion / évaporation qui, chez l’organisme réel, sous-tend cette résolution. Ce que l’on observe honnêtement, c’est qu’une contrainte locale uniforme suffit à faire émerger, sans plan central, une structure de transport étendue et parcimonieuse. Le mot « intelligence » reste entre guillemets : il n’y a pas de représentation, pas de but encodé — seulement de la physique locale et un champ qui garde la trace du passé.

Le fil rouge

Les réseaux de transport parcimonieux sont partout : les nervures d’une feuille, le mycélium d’un champignon qui relie les arbres d’une forêt, nos réseaux ferroviaires et routiers, jusqu’aux tracés que les ingénieurs peaufinent pour équilibrer coût total et robustesse. Physarum atteint des compromis comparables sans ingénieur ni vue d’ensemble. C’est exactement ce que LifeLabs cherche à donner à voir : de l’organisation globale qui remonte du local, sans personne aux commandes.

Faites-le vous-même

La démo Physarum tourne entièrement dans votre navigateur, sur GPU (WebGPU). Regardez le réseau émerger image par image ; poussez le curseur angle des capteurs ou décroissance et vous voyez la maille se resserrer ou se dilater, les veines s’épaissir ou s’effilocher ; relancez (reseed) pour repartir d’agents aléatoires et voir un tout autre réseau se tisser. Rien n’est préenregistré : c’est la même règle locale que ci-dessus, recalculée à chaque frame.

Ouvrez la fiche complète du run pour les paramètres exacts, ou la page de l’expérience Physarum pour le contexte. Tout est reproductible à partir de la graine 42.