S'inspirer de la biologie : la biocomplexité, les phénomènes d'émergence

Lorsque l'on conçoit des systèmes artificiels à grande échelle, on produit souvent des comportements macroscopiques irréguliers, sur lesquels on constate que l'on a peu de contrôle. Parallèlement, les applications bio-informatiques ont drainé l'attention des chercheurs sur la complexité des systèmes biologiques (sociétés d'insectesinsectes, modèles de croissance fractale), pour lesquels cette caractéristique est un atout, en robustesse et capacité d'adaptation, notamment.

Chou romanesco, un modèle de croissance fractale. © Coyau CC by-sa 3.0

Cette conjonction a donné naissance à des recherches en informatique fondées sur des modèles idéalisés et simplifiés de phénomènes biologiques (vie artificielle, algorithmes évolutionnaires, DarwinismeDarwinisme artificiel, intelligenceintelligence collective), ayant pour but de faciliter la compréhension du comportement des systèmes artificiels.

Une approche informatique inspirée du vivant

Cette approche inspirée du vivant en informatique s'est révélée très puissante pour apprivoiser la « complexité » et aborder des problèmes, d'optimisation notamment, qui restaient hors de portée des techniques classiques.

Ainsi, la transposition de modèles biologiques à l'informatique, leur adaptation, leur modélisation a ouvert la voie à de nouveaux sujets de recherche et a redynamisé des recherches qui bloquaient sur ce que l'on pourrait considérer comme des « barrières de complexité ». Ce thème a ouvert un certain nombre de questions théoriques fondamentales concernant la modélisation des phénomènes d'émergenceémergence, de leur irrégularité, de leur contrôle (savoir traiter le problème inverse par exemple), nécessitant une approche pluridisciplinaire, et débouchant sur des applications très variées :

• en biologie : pour comprendre, modéliser, analyser, contrôler des phénomènes biologiques (bio-informatique) ;
• en informatique : idem pour les systèmes artificiels, dont la complexité augmente (trafic Internet, processus industriels, finance) ;
• en mathématique : pour développer des outils d'analyse et de modélisation (approche stochastiquestochastique, fractales aléatoires ou déterministes, systèmes dynamiques, analyse de la complexité, modèles darwinistes).