Aurlom

    Les mathématiques et le réel : modélisation, chaos et « déraisonnable efficacité »

    Notion
    8 min de lecture1623 - aujourd'hui

    Comment des symboles tracés sur un tableau noir peuvent-ils prédire l'existence d'une planète (Neptune, calculée par Le Verrier en 1846 avant d'être vue), d'une particule (le boson de Higgs, prédit en 1964, observé en 2012) ou l'évolution d'une épidémie ? Le physicien Eugene Wigner parlait en 1960 de la « déraisonnable efficacité des mathématiques » : des théories inventées pour elles-mêmes (les géométries non euclidiennes, les matrices, les groupes) se révèlent, des décennies plus tard, décrire exactement le monde physique. C'est à la fois le plus grand succès et le plus grand mystère de la science.

    L'outil de cette efficacité est la modélisation : traduire une situation réelle en objets mathématiques (équations, graphes, probabilités), résoudre le problème dans ce monde abstrait, puis retraduire la solution. Un modèle simplifie toujours ; sa valeur se juge à sa capacité à prédire et à ce qu'il permet de comprendre. « Tous les modèles sont faux, certains sont utiles » (George Box). De la loi de la gravitation aux modèles climatiques du GIEC, des équations de l'épidémiologie (SIR, 1927) aux modèles financiers (Black-Scholes, 1973), la modélisation est le mode de connaissance dominant de la modernité.
    Le XXe siècle a pourtant découvert des limites internes : la théorie du chaos (Poincaré 1889, Lorenz 1963, « l'effet papillon ») montre que des systèmes parfaitement déterministes sont imprévisibles au-delà d'un horizon (la météo à dix jours) ; la mécanique quantique introduit un hasard fondamental ; les modèles économiques ont spectaculairement échoué en 2008 ; et les modèles épidémiologiques de 2020 ont été à la fois indispensables et contestés. Prédire n'est pas comprendre, et calculer n'est pas décider.
    Pour le candidat, le sujet permet de traiter la science, la vérité, la prévision, la technique et le pouvoir des experts avec une réflexion épistémologique solide et des exemples récents.

    Définition

    Un modèle mathématique est une représentation simplifiée d'un phénomène (physique, biologique, économique, social) au moyen d'objets mathématiques : variables, équations, fonctions, graphes, distributions de probabilité. Il repose sur des hypothèses simplificatrices explicites, des paramètres ajustés aux données, et produit des prédictions que l'on confronte à l'observation. La validation d'un modèle est cette confrontation ; un modèle n'est jamais « vrai », il est plus ou moins adéquat à un usage.
    On distingue les modèles déterministes (l'état futur est entièrement fixé par l'état présent : mécanique de Newton, équations différentielles) et stochastiques (le hasard intervient : marches aléatoires, modèles probabilistes), les modèles explicatifs (qui décrivent des mécanismes) et prédictifs (qui visent la prévision, comme les modèles d'apprentissage automatique, souvent des « boîtes noires »).
    La théorie du chaos étudie les systèmes dynamiques déterministes dont l'évolution est extrêmement sensible aux conditions initiales : une différence infime au départ produit des trajectoires totalement différentes (« sensibilité aux conditions initiales »). Ces systèmes sont prévisibles à court terme et imprévisibles à long terme, non par manque d'information mais par nature ; ils produisent des structures (attracteurs étranges, fractales). La météorologie, la mécanique céleste à long terme, la turbulence, certains systèmes biologiques et économiques sont chaotiques.
    La « déraisonnable efficacité » (Wigner, 1960) désigne l'énigme philosophique de l'adéquation entre des mathématiques abstraites et le monde physique : pourquoi des théories conçues sans aucune application (les nombres complexes, les espaces de Hilbert) sont-elles précisément celles qui décrivent la physique ? Les réponses vont du platonisme (le monde est mathématique) au pragmatisme (nous ne retenons que ce qui marche) en passant par le kantisme (nous projetons nos structures).

    Contexte

    Galilée fonde le programme en 1623 (« le livre de la nature est écrit en langage mathématique ») et Newton le réalise en 1687 : une loi unique, exprimée en équation, unifie ciel et Terre. Le XVIIIe siècle généralise : les équations différentielles (Euler, Lagrange) décrivent le mouvement, l'élasticité, les fluides ; Laplace (1814) formule le déterminisme absolu : une intelligence connaissant toutes les positions et vitesses « embrasserait dans la même formule » passé et avenir. Les triomphes prédictifs s'enchaînent : retour de la comète de Halley (1759), découverte de Neptune par le calcul (Le Verrier, 1846), prédiction des ondes électromagnétiques par Maxwell (1865) confirmée par Hertz (1887).
    Le XXe siècle multiplie les succès (relativité générale : déviation de la lumière prédite par Einstein en 1915, observée par Eddington en 1919 ; mécanique quantique ; boson de Higgs) et étend la modélisation à la biologie (Lotka-Volterra pour les proies et prédateurs, 1925 ; Kermack-McKendrick pour les épidémies, 1927), à l'économie (Walras, puis l'économétrie, Black-Scholes en finance, 1973), à la démographie et au climat (premiers modèles de circulation générale, années 1960). Mais il découvre aussi les limites : Poincaré (1889) montre que le problème des trois corps n'a pas de solution en forme close et entrevoit le chaos ; la mécanique quantique (1927) rend le hasard fondamental ; Edward Lorenz (1963), simulant la météo sur ordinateur, constate qu'un arrondi à la troisième décimale change tout et donne à la théorie du chaos son image (« Le battement d'ailes d'un papillon au Brésil peut-il provoquer une tornade au Texas ? », 1972) ; Mandelbrot (1975) invente les fractales.
    L'ordinateur transforme la modélisation : simulation numérique (bombe H, aérodynamique, climat), puis, depuis les années 2010, apprentissage automatique (modèles ajustés sur des masses de données sans mécanisme explicite). Deux crises ont mis la modélisation au cœur du débat public : la crise financière de 2008 (modèles de risque qui sous-estimaient les événements extrêmes) et la pandémie de 2020 (modèles de l'Imperial College et de l'Institut Pasteur guidant les confinements, contestés pour leurs incertitudes). Le GIEC, depuis 1990, fonde ses conclusions sur des ensembles de modèles climatiques dont les prévisions faites dans les années 1970-1990 se sont révélées justes.

    Mécanismes

    • L'idéalisation : le modèle néglige ce qui est secondaire pour l'usage visé (le point matériel, le gaz parfait, le consommateur rationnel). L'art consiste à savoir ce que l'on peut négliger ; l'erreur, à oublier qu'on l'a négligé.
    • Les équations différentielles : l'outil central pour décrire la variation (vitesse = dérivée de la position). Le modèle SIR d'une épidémie (susceptibles, infectés, rétablis) tient en trois équations et produit le nombre de reproduction R0 : si R0 > 1, l'épidémie croît ; le seuil d'immunité collective vaut 1 − 1/R0.
    • La sensibilité aux conditions initiales : dans un système chaotique, l'erreur initiale double à chaque intervalle de temps caractéristique ; pour la météo, cet intervalle est de quelques jours, d'où l'horizon de prévisibilité d'une dizaine de jours quelle que soit la puissance de calcul. Les prévisions d'ensemble (plusieurs simulations avec des conditions initiales légèrement différentes) donnent des probabilités plutôt qu'une certitude.
    • L'ajustement et le sur-apprentissage : un modèle avec assez de paramètres peut reproduire n'importe quelles données passées sans rien prédire (« avec quatre paramètres je dessine un éléphant, avec cinq je fais bouger sa trompe », von Neumann). La validation sur des données nouvelles est indispensable.
    • La simulation numérique : quand les équations n'ont pas de solution explicite, l'ordinateur les résout pas à pas ; les modèles climatiques découpent l'atmosphère et l'océan en millions de cellules ; leur incertitude vient des processus non résolus (nuages) plus que des équations.
    • L'incertitude et sa communication : un bon modèle donne une fourchette et des scénarios (« si les mesures sont maintenues… »), non une prophétie ; la difficulté est que le public et les décideurs demandent un chiffre.

    Enjeux & débats

    1) Le monde est-il mathématique ? Le platonisme (Galilée, Wigner, Penrose, Tegmark pour qui l'univers est une structure mathématique) soutient que les mathématiques sont la trame du réel. Le kantisme répond que nous ne connaissons le monde qu'à travers les formes de notre esprit (espace, temps, nombre) ; le pragmatisme (Poincaré, conventionnalisme) que nous choisissons les mathématiques les plus commodes ; le biais de sélection que nous ne remarquons que les succès. Le débat est celui des fondements de la physique et de la connaissance.
    2) Le déterminisme est-il mort ? Laplace pensait le monde prévisible en principe ; le chaos montre que déterminisme n'implique pas prévisibilité ; la mécanique quantique que le hasard est irréductible (Einstein s'y refusait : « Dieu ne joue pas aux dés » ; Bohr : « Cessez de dire à Dieu ce qu'il doit faire »). Il en résulte une science plus modeste, qui parle de probabilités et de scénarios, et une réflexion philosophique sur la liberté (Prigogine, La Fin des certitudes, 1996).
    3) Modéliser la société ? L'économie est la science sociale la plus mathématisée ; ses modèles (équilibre général, marchés efficients) ont été accusés après 2008 d'avoir donné une illusion de contrôle (« la reine d'Angleterre demandant pourquoi personne n'a rien vu venir »). Nassim Taleb (Le Cygne noir, 2007) dénonce l'usage de la loi normale là où règnent les événements extrêmes. En sociologie, la modélisation (Schelling, ségrégation, 1971) éclaire mais ne prédit guère : les humains réagissent aux prédictions (prophéties autoréalisatrices ou autodestructrices).
    4) Les modèles doivent-ils gouverner ? En 2020, les modèles épidémiologiques ont fondé des décisions engageant des sociétés entières ; ils ont été accusés d'exagération (scénarios du pire) ou d'incertitude, et leurs auteurs de « gouvernement des experts ». Les modélisateurs répondent qu'un scénario n'est pas une prédiction et que la décision reste politique. Le débat porte sur la place de l'expertise dans la démocratie et sur l'éducation du public à l'incertitude.

    Exemples

    • La découverte de Neptune (1846) : Urbain Le Verrier calcule, à partir des irrégularités de l'orbite d'Uranus, la position d'une planète inconnue ; Galle l'observe à Berlin le soir même ; Arago : « M. Le Verrier a vu le nouvel astre au bout de sa plume ». Triomphe de la prédiction mathématique.
    • Eddington et l'éclipse de 1919 : la relativité générale prédit une déviation de la lumière des étoiles par le Soleil deux fois plus grande que Newton ; les mesures lors de l'éclipse confirment Einstein, qui devient célèbre du jour au lendemain.
    • Lorenz et l'effet papillon (1963-1972) : en relançant une simulation avec 0,506 au lieu de 0,506127, Lorenz obtient une météo totalement différente ; son attracteur en forme de papillon et sa conférence de 1972 donnent au chaos son nom populaire.
    • Le modèle SIR et la Covid-19 (2020) : le rapport 9 de l'Imperial College (16 mars 2020), prédisant 500 000 morts au Royaume-Uni sans mesures, déclenche le confinement britannique ; en France, les modèles de l'Institut Pasteur guident les décisions ; controverse sur les hypothèses et la communication de l'incertitude.
    • Black-Scholes et 2008 : la formule de 1973 (prix Nobel 1997) permet de valoriser les options et fonde la finance quantitative ; ses hypothèses (loi normale, volatilité constante) sous-estiment les krachs ; le fonds LTCM, dirigé par ses auteurs, s'effondre en 1998 ; 2008 généralise la leçon.
    • Les modèles climatiques du GIEC : les projections faites entre 1970 et 2000 (Hansen, 1988, devant le Congrès) ont correctement anticipé le réchauffement observé ; le prix Nobel de physique 2021 (Manabe, Hasselmann) récompense la modélisation du climat ; l'incertitude porte sur l'ampleur (1,5 à 4,5 °C pour un doublement du CO2), non sur le sens.
    • AlphaFold (2020) : le modèle d'apprentissage automatique de DeepMind prédit la structure tridimensionnelle des protéines, problème ouvert depuis cinquante ans ; prix Nobel de chimie 2024 ; exemple de modèle prédictif sans théorie explicative complète.

    Pièges & confusions

    • Confondre modèle et réalité : le modèle est une carte, non le territoire ; ses hypothèses limitent sa validité (Black-Scholes hors des marchés calmes).
    • Croire que le chaos signifie désordre ou hasard : les systèmes chaotiques sont déterministes et produisent des structures ; ils sont seulement imprévisibles à long terme.
    • Opposer prédiction réussie et modèle faux : un modèle peut prédire juste pour de mauvaises raisons (épicycles de Ptolémée) ou échouer en étant conceptuellement juste (Newton sur Mercure).
    • Prendre un scénario pour une prédiction : le rapport de l'Imperial College décrivait ce qui arriverait sans mesures, non ce qui allait arriver ; confusion courante et lourde de conséquences.
    • Réduire la « déraisonnable efficacité » à un slogan : Wigner pose une énigme, non une réponse ; savoir en exposer les solutions possibles (platonisme, kantisme, sélection) fait la différence.

    Usage concours / oral

    Le sujet nourrit les dissertations sur la science, la prévision, la vérité, le hasard, l'expertise et la décision. Trois citations suffisent : Galilée (le livre de la nature), Wigner (la déraisonnable efficacité), Box (tous les modèles sont faux, certains sont utiles). La troisième est la plus utile : elle permet de tenir une position ni scientiste ni relativiste, la seule qui convainque un jury.
    Les exemples à mobiliser par paires : un triomphe (Neptune 1846, Eddington 1919, AlphaFold 2020) et une limite (Lorenz 1963, LTCM 1998, 2008, Covid 2020). Cette symétrie structure naturellement un plan en deux parties, et le chaos fournit la troisième : le déterminisme sans la prévisibilité, c'est-à-dire une science qui sait ce qu'elle ne peut pas savoir.
    À l'oral, la question « peut-on faire confiance aux modèles ? » (climat, épidémie, économie) est probable, surtout dans les écoles de commerce. Répondez en distinguant les domaines : les modèles physiques (climat) reposent sur des lois établies et ont fait leurs preuves ; les modèles sociaux (économie, épidémie) intègrent des comportements humains et doivent être lus comme des scénarios ; la décision n'appartient pas aux modèles. Vous montrerez que vous savez ce qu'est l'incertitude scientifique, ce qui distingue le citoyen éclairé du sceptique comme du crédule.

    Sources

    • The Unreasonable Effectiveness of Mathematics in the Natural Sciences
    • La Théorie du chaos : vers une nouvelle science
    • Le Cygne noir : la puissance de l'imprévisible
    • Modéliser une épidémie
    • Rapport du GIEC AR6, groupe I : bases physiques

    Questions d'oral

    1Qu'est-ce qu'un modèle mathématique et à quoi sert-il ?2Que veut dire Wigner par « déraisonnable efficacité des mathématiques » ?3Qu'est-ce que l'effet papillon et pourquoi la météo est-elle imprévisible au-delà de dix jours ?4Le déterminisme de Laplace est-il encore tenable ?5Pourquoi les modèles financiers ont-ils échoué en 2008 ?

    + 2 autres questions

    Continuez votre exploration

    Fiches du même thème

    Voir toutes les fiches Mathématiques

    Découvrez aussi :

    Tous les thèmesTous les quizToutes les flashcardsRechercher une fiche