Au cours des dernières décennies, il développement technologique et la possibilité de collecter d’énormes quantités de données ils ont changé notre façon de voir le monde. Nous disposons aujourd’hui de réseaux pouvant contenir des millions d’éléments en interaction : réseaux des personnes, réseaux numériques, réseaux biologiques, réseaux infrastructurels.
Ces systèmes montrent comportements non intuitifsdifficile à prédire en étudiant uniquement leurs parties individuelles. Pour les comprendre, une approche différente est nécessaire, à savoir la théorie des réseaux (ou théorie des réseaux), basé sur les outils mathématiques de théorie des graphes. Voyons de quoi il s’agit et pourquoi il est important de comprendre les systèmes complexes.
Des graphes aux réseaux complexes : à quoi servent ces structures ?
En mathématiques, un graphe est une structure composée de points ou nœuds (les éléments) e lignes (les relations entre les éléments). C’est un modèle très simple, mais incroyablement efficace pour représenter des systèmes complexes.
Malgré leur simplicité, les graphiques permettent une extraction de manière synthétique et objective informations provenant de vastes réseauximpossible à analyser en détail élément par élément.
Et c’est justement l’un des points cruciaux de la science des réseaux : il ne suffit pas de connaître toutes les parties d’un système pour le comprendrecar le comportement global dépend avant tout de la façon dont ces pièces interagissent.
Cela représente un dépassement de l’approche réductionniste traditionnelle, selon laquelle connaître chaque élément devrait suffire à comprendre l’ensemble. Dans les systèmes réels, ce n’est pas le cas : un système complexe ce n’est pas la simple somme de ses partiesmais c’est le résultat de leurs connexions.
Parce que regarder les connexions change tout
La théorie des réseaux nous permet de reconstruire carte des interactions au sein d’un système : nous étudions d’abord son architecture – nœuds et connexions – puis nous analysons la dynamique qui se propage à travers ces connexions.
C’est justement pourquoi des phénomènes très différents peuvent être étudiés avec les mêmes outils mathématiques : la diffusion de signaux électriques dans les neuronesla propagation d’informations sur réseaux sociauxl’effet domino provoqué par le retard d’un grand aéroport, la transmission d’un virus respiratoire au sein d’une population.
Ces systèmes appartiennent à des domaines différents – biologie, technologie, transports, sociologie – mais partagent des propriétés structurelles communes. C’est l’un des résultats les plus importants de la science des réseaux : de nombreux systèmes complexes fonctionnent selon les mêmes règles mathématiques.
Qu’est-ce qui rend un réseau « réel »
Lorsqu’on observe des réseaux réels – biologiques, technologiques, écologiques ou sociaux – quatre caractéristiques récurrentes ressortent :
- Regroupement élevé. Des nœuds ont tendance à se former groupes locaux très connectés. C’est le phénomène par lequel les « amis de mes amis » sont souvent connectés les uns aux autres. La même chose se produit dans les neurones d’une même zone corticale ou entre entreprises d’un même secteur.
- Petites distances de réseau. Entre deux nœuds quelconques existent en moyenne quelques pas. Par exemple, dans le cortex cérébral, cela se traduit par des voies de communication rapides entre des régions distantes.
- Répartition inégale des connexions. Dans de nombreux réseaux, quelques nœuds accumulent un très grand nombre de liens : moyeu – alors que la plupart des nœuds en ont peu. Cela s’applique aux aéroports mondiaux (par exemple Atlanta, Dubaï, Heathrow), aux pages Web et à des zones spécifiques du cerveau.
- Dynamisme. Les nœuds peuvent apparaître, croître et disparaître, mais la structure globale du réseau reste écurie. Ces propriétés placent les réseaux complexes dans une zone intermédiaire entre les systèmes complètement ordonnés et les systèmes complètement aléatoires.
Les modèles fondamentaux de la science des réseaux
Dans les années 1990, deux modèles mathématiques ont révolutionné la compréhension des réseaux réels : le Modèle du petit monde (Watts & Strogatz, 1998), qui montre qu’il est possible d’avoir simultanément : des connexions locales fortes (high clustering), de courtes distances globales entre nœuds distants. En bref, quelques « raccourcis » suffisent à rendre le monde étonnamment petit.
La seconde est la Modèle sans échelle (Barabási & Albert, 1999), qui révèle comment le répartition des connexions dans de nombreux réseaux, une loi de puissance suit : quelques nœuds ont de nombreuses connexions et la plupart en ont peu. Cela se produit parce que les réseaux réels se développent avec le temps et favorisent les nœuds déjà hautement connectés (attachement préférentiel). C’est le mécanisme à l’origine de la croissance du Web, des réseaux sociaux et de nombreux réseaux biologiques.
Parce que la science des réseaux est devenue centrale
Aujourd’hui le science des réseaux est appliqué dans des domaines de plus en plus diversifiés :
- épidémiologie: pour modéliser la propagation des maladies ;
- ingénierie des transports: concevoir des réseaux plus robustes ;
- informatique: comprendre le fonctionnement d’Internet, du Web, pour l’intelligence artificielle ;
- neurosciences: pour étudier la connectivité cérébrale et les changements après un traumatisme ;
- économie: analyser les systèmes financiers et les chaînes d’approvisionnement ;
- écologie: cartographier les relations entre espèces et flux d’énergie.
La force de cette approche réside dans le fait qu’elle permet de décrire des systèmes extrêmement complexes à travers des propriétés communes, quelle que soit la nature de leurs composants. C’est pourquoi Barabási a défini la science des réseaux comme « la prochaine révolution scientifique »: un nouveau point de vue qui permet de comprendre l’organisation profonde des systèmes réels.