Modèles, simulations, idéalisation et approximation

Une carte n’est pas le territoire. Elle supprime volontairement une immense quantité d’informations : relief secondaire, couleur des bâtiments, température de l’air, circulation des personnes, végétation précise. Pourtant, une bonne carte peut être extrêmement utile parce qu’elle conserve les informations pertinentes pour l’usage auquel elle est destinée.

Les modèles scientifiques fonctionnent souvent de manière comparable.

Un modèle ne cherche généralement pas à reproduire chaque détail du monde réel. Il sélectionne certaines variables, néglige certains phénomènes, simplifie des relations et représente parfois des situations que l’on sait littéralement irréalistes : population parfaitement homogène, surface sans frottement, gaz constitué de particules ponctuelles, individus parfaitement rationnels, planète réduite à quelques grands réservoirs énergétiques.

Cela peut sembler paradoxal. Comment une représentation que l’on sait imparfaite, voire fausse sur certains points, peut-elle produire de véritables connaissances ?

Parce qu’un modèle scientifique n’est pas évalué uniquement selon sa ressemblance exhaustive avec la réalité. Il est évalué relativement à une question : quels aspects représente-t-il ? Quelles simplifications introduit-il ? Dans quelles conditions fonctionnent-elles ? Quelles prédictions produit-il ? Comment ces prédictions se confrontent-elles aux observations ? Et que se passe-t-il lorsque les hypothèses du modèle sont modifiées ?

Les modèles occupent aujourd’hui une place centrale dans pratiquement tous les domaines scientifiques, de la cosmologie à l’épidémiologie en passant par la climatologie, la biologie évolutive, l’économie ou les sciences sociales. Les philosophes des sciences soulignent précisément cette diversité : les chercheurs construisent, comparent, testent et révisent des modèles de types très différents, sans qu’il existe une seule forme universelle de modélisation.

Un modèle sélectionne ce qui compte pour une question

Supposons que l’on veuille étudier la chute d’un objet.

Pour certaines questions, un modèle simple utilisant uniquement la gravitation et négligeant la résistance de l’air sera suffisant. Pour expliquer pourquoi une feuille de papier tombe beaucoup plus lentement qu’une bille métallique, cette simplification devient au contraire inadéquate.

Le même modèle peut donc être excellent pour une question et mauvais pour une autre.

Cela permet d’éviter une mauvaise manière d’évaluer les modèles :

« Le modèle ne représente pas tout, donc il est faux. »

Aucun modèle scientifique ne représente tout.

Même une description extrêmement détaillée sélectionne certaines variables, certaines échelles temporelles et certaines propriétés. La question est de savoir si ce qui a été laissé de côté peut être raisonnablement négligé pour l’objectif étudié.

La philosophie des modèles distingue ainsi plusieurs formes de simplification. Certaines consistent simplement à faire abstraction de propriétés non pertinentes ; d’autres introduisent de véritables idéalisations, c’est-à-dire des hypothèses que l’on sait littéralement inexactes mais qui permettent d’isoler certains mécanismes.

Abstraction et idéalisation ne sont pas exactement la même chose

Il est utile de distinguer deux opérations proches.

L’abstraction consiste à ne pas représenter certains aspects du système.

Une carte du métro peut ignorer la largeur réelle des rues. Elle ne prétend pas que ces rues n’ont pas de largeur ; elle n’en parle simplement pas parce que cette information n’est pas nécessaire pour comprendre le réseau.

L’idéalisation va souvent plus loin : elle représente délibérément le système comme s’il possédait certaines propriétés qu’il ne possède pas exactement.

Un modèle physique peut supposer un plan parfaitement sans frottement.

Un modèle de gaz parfait suppose notamment que certaines interactions entre molécules peuvent être négligées.

Un modèle épidémiologique simple peut considérer que tous les individus d’une population se mélangent uniformément, alors que les contacts réels dépendent de la famille, du travail, de l’âge ou de la géographie.

La philosophie des sciences distingue traditionnellement plusieurs formes d’idéalisation, notamment celles qui suppriment des facteurs jugés non pertinents et celles qui déforment volontairement certains aspects afin de rendre un problème analysable.

Ces simplifications ne sont pas nécessairement des mensonges scientifiques. Elles constituent souvent des outils d’analyse.

Le cas du gaz parfait : faux exactement, utile approximativement

Le modèle du gaz parfait fournit un exemple classique.

Il représente notamment les particules d’un gaz comme si certaines interactions entre elles pouvaient être négligées et conduit à une relation simple entre pression, volume, température et quantité de matière.

Aucun gaz réel n’est parfaitement idéal.

Pourtant, dans certaines conditions de température et de pression, de nombreux gaz réels se comportent suffisamment près de cette représentation pour que le modèle soit extrêmement utile.

Lorsque les conditions changent, les écarts deviennent plus importants et des modèles plus complexes doivent être utilisés.

Le modèle n’était donc ni « totalement vrai » ni simplement « faux ».

Il possédait un domaine d’approximation.

Cette notion est essentielle. Une représentation peut être extrêmement performante dans certaines conditions tout en échouant dans d’autres.

L’objectif scientifique consiste alors à identifier où l’approximation est suffisamment bonne pour l’usage recherché.

Simplifier peut permettre de comprendre

Ajouter toujours davantage de réalisme n’améliore pas nécessairement notre compréhension.

Supposons qu’un modèle contienne plusieurs millions de variables et reproduise très précisément un phénomène. Il peut être excellent pour certaines prédictions mais très difficile à interpréter.

À l’inverse, un modèle extrêmement simple peut faire apparaître clairement une relation fondamentale.

Les modèles SIR utilisés en épidémiologie en fournissent une illustration. Dans leur forme la plus élémentaire, ils divisent une population en trois catégories : susceptibles, infectieux et retirés de la transmission.

Une véritable population est évidemment beaucoup plus complexe. Les individus diffèrent par leur âge, leur comportement, leur immunité, leur réseau de contacts ou leur localisation.

Mais le modèle simple permet de comprendre comment quelques mécanismes élémentaires peuvent produire une dynamique épidémique.

Le réalisme et l’utilité ne varient donc pas toujours ensemble.

Un modèle peut être utile précisément parce qu’il retire suffisamment de détails pour rendre visible une structure.

Un modèle peut avoir plusieurs fonctions

Tous les modèles ne sont pas construits pour prédire exactement la même chose.

Un modèle peut servir à expliquer un mécanisme.

Il peut servir à prévoir une quantité future.

Il peut permettre d’explorer les conséquences d’une hypothèse.

Il peut servir à estimer une quantité que l’on ne peut pas mesurer directement.

Il peut encore constituer un outil pédagogique ou aider à identifier les variables auxquelles un système est particulièrement sensible.

La littérature philosophique reconnaît ainsi une grande variété de modèles : explicatifs, exploratoires, phénoménologiques, mécanistiques, computationnels, minimaux, statistiques ou encore modèles-jouets.

Cette diversité interdit une question trop simple :

« Le modèle prédit-il parfaitement ? »

Un modèle conçu principalement pour isoler un mécanisme peut être utile même s’il n’est pas le meilleur outil de prévision numérique.

À l’inverse, un modèle prédictif très performant peut fournir peu d’explication sur les mécanismes qui produisent ses résultats.

Un modèle statistique représente aussi des hypothèses sur les données

La notion de modèle ne concerne pas seulement la physique ou les simulations informatiques.

Lorsque l’on réalise une régression statistique, on construit également un modèle.

Il peut supposer qu’une relation est linéaire, que certaines erreurs possèdent une distribution particulière, que certaines variables sont indépendantes conditionnellement à d’autres ou que certains effets sont constants dans la population.

Ces hypothèses peuvent être très utiles, mais elles doivent être examinées.

Une régression extrêmement bien calculée ne garantit pas que la forme du modèle corresponde correctement au phénomène.

Si une relation est fortement non linéaire et que l’on impose un modèle linéaire, le calcul peut être exact tandis que la représentation est inadéquate.

Nous retrouvons ainsi une distinction déjà rencontrée : bien effectuer un calcul n’est pas la même chose que choisir un bon modèle du monde.

Un modèle computationnel ajoute encore une couche

Lorsqu’un modèle devient trop complexe pour être résolu directement, les chercheurs utilisent souvent une simulation informatique.

La distinction est importante.

Le système réel constitue le phénomène étudié.

Un modèle mathématique ou conceptuel représente ce système.

Un programme informatique implémente ensuite certaines équations ou règles afin d’obtenir des résultats numériques.

La simulation n’est donc pas simplement « le modèle sur ordinateur ». Entre le phénomène réel et la sortie affichée existent plusieurs niveaux :

système réel → modèle conceptuel ou mathématique → approximation numérique → programme informatique → résultat de simulation.

Chaque passage peut introduire ses propres erreurs.

Les National Academies insistent précisément sur cette architecture dans leur rapport sur la fiabilité des modèles complexes : les simulations utilisent des représentations mathématiques imparfaites du réel, auxquelles s’ajoutent des approximations numériques et des incertitudes sur les paramètres et les données d’entrée.

Une simulation n’est pas simplement une expérience virtuelle

Les simulations scientifiques sont devenues indispensables dans de très nombreux domaines : climatologie, astrophysique, épidémiologie, ingénierie, biologie évolutive, économie ou sciences sociales. La Stanford Encyclopedia souligne qu’elles peuvent parfois être conçues comme des prolongements de la modélisation et parfois comme des instruments présentant certaines analogies avec l’expérimentation.

Mais une simulation ne possède pas automatiquement la même valeur qu’une expérience effectuée sur le phénomène réel.

Si l’on simule l’évolution d’une épidémie, l’ordinateur explore les conséquences du modèle programmé.

Il ne découvre pas directement comment se comportera nécessairement l’épidémie réelle.

Si certaines hypothèses importantes manquent au modèle, la simulation reproduira fidèlement ces omissions.

Un ordinateur peut donc calculer parfaitement les conséquences d’une mauvaise représentation.

C’est pourquoi une simulation doit être évaluée à deux niveaux distincts :

le programme résout-il correctement le modèle ?

et :

le modèle représente-t-il suffisamment bien le système réel pour l’usage auquel on le destine ?

Cette distinction conduit aux notions de vérification et validation.

Vérification : avons-nous correctement calculé ce que le modèle dit ?

Dans les sciences computationnelles et l’ingénierie, le terme vérification désigne généralement le contrôle du passage entre le modèle mathématique et son implémentation numérique.

Un programme peut contenir une erreur de code.

Une approximation numérique peut être trop grossière.

Une simulation peut devenir instable.

Une équation peut avoir été correctement formulée mais incorrectement implémentée.

Les National Academies définissent ainsi la vérification comme l’évaluation de la manière dont le programme informatique implémente et résout les équations du modèle mathématique.

On résume parfois cette distinction par une formule intuitive :

la vérification demande si nous avons correctement résolu le modèle.

Elle ne demande pas encore si le modèle est une bonne représentation de la réalité.

Validation : avons-nous construit un modèle suffisamment adéquat ?

La validation porte davantage sur la relation entre le modèle et le système réel.

Le rapport des National Academies la définit comme l’évaluation du degré auquel un modèle représente correctement le monde réel du point de vue de l’usage prévu du modèle.

Cette dernière précision est capitale.

Un modèle n’est pas validé « pour toujours » et « pour tout ».

Il peut être suffisamment précis pour calculer la trajectoire générale d’un projectile tout en étant insuffisant pour prévoir sa position au millimètre près.

Il peut être très performant pour simuler un système dans les conditions déjà étudiées tout en devenant beaucoup plus incertain lorsqu’on l’utilise dans un régime extrême.

La validation est donc relative à un domaine et à un objectif.

Nous retrouvons ici exactement la logique de validité externe étudiée précédemment.

Vérifié ne signifie donc pas validé

Supposons qu’un programme informatique reproduise parfaitement les équations qu’on lui a données.

Le code est vérifié.

Mais si les équations décrivent mal le phénomène réel, les résultats peuvent rester faux.

Inversement, un bon modèle théorique implémenté avec un bug informatique donnera également de mauvais résultats.

Les deux contrôles sont donc nécessaires.

On peut résumer la distinction ainsi :

QuestionProblème principal
VérificationAvons-nous correctement résolu ou implémenté le modèle ?
ValidationLe modèle représente-t-il suffisamment bien le système réel pour l’usage recherché ?
Quantification de l’incertitudeJusqu’où les incertitudes des données, paramètres et approximations affectent-elles les résultats ?

Les National Academies regroupent précisément ces tâches sous l’appellation VVUQ — verification, validation and uncertainty quantification dans l’évaluation des modèles computationnels complexes.

Calibrer n’est pas valider

Une autre confusion fréquente concerne la calibration d’un modèle.

Un modèle possède souvent des paramètres inconnus qui doivent être estimés à partir de données.

Supposons qu’un modèle épidémiologique contienne un paramètre représentant la fréquence moyenne des transmissions. On peut ajuster ce paramètre jusqu’à ce que le modèle reproduise relativement bien la première partie d’une épidémie.

Le modèle est alors calibré sur ces observations.

Mais cela ne signifie pas qu’il est validé.

Si l’on teste ensuite le modèle sur les mêmes données qui ont servi à régler ses paramètres, il n’est guère surprenant qu’il leur corresponde.

Un test beaucoup plus exigeant consiste à confronter le modèle à des observations indépendantes de celles utilisées pour son ajustement.

Cette distinction est analogue à celle qui existe entre l’apprentissage et le test d’un modèle prédictif.

Ajuster parfaitement le passé peut être une mauvaise nouvelle

Un modèle extrêmement flexible peut reproduire presque parfaitement des données historiques.

Cela semble impressionnant, mais cette performance peut provenir du surajustement.

Le modèle a alors capturé non seulement les régularités générales du phénomène, mais aussi des particularités accidentelles ou du bruit propre à l’échantillon utilisé pour l’ajuster.

Lorsqu’il rencontre de nouvelles données, ses performances se dégradent.

Le problème n’est pas propre à l’intelligence artificielle ou aux statistiques modernes.

Il exprime une difficulté générale de la modélisation : plus nous donnons à un modèle de liberté pour s’adapter aux observations connues, moins sa réussite sur ces observations constitue un test indépendant.

C’est pourquoi les prédictions nouvelles, la validation croisée et les données externes peuvent être particulièrement importantes.

La complexité n’est pas automatiquement une qualité

Si le monde est complexe, ne faudrait-il pas toujours utiliser le modèle le plus complexe possible ?

Non.

Chaque paramètre supplémentaire peut permettre de représenter un mécanisme réel, mais il peut aussi introduire davantage d’incertitude et rendre le modèle plus difficile à tester.

Un modèle extrêmement complexe peut être nécessaire pour certaines prévisions précises.

Un modèle simple peut être préférable pour comprendre un mécanisme.

Il existe donc souvent une tension entre réalisme, interprétabilité, précision et robustesse.

La bonne complexité est celle que justifie la question scientifique.

Ajouter des détails inutiles peut parfois réduire notre capacité à comprendre ce qui produit réellement les résultats.

Les paramètres eux-mêmes sont incertains

Les modèles utilisent fréquemment des valeurs estimées.

Dans un modèle épidémiologique, on peut avoir besoin d’une durée moyenne de contagiosité, d’une fréquence de contacts ou d’un risque de transmission.

Dans un modèle climatique, certains processus physiques doivent être caractérisés par des paramètres estimés à partir d’observations.

Dans un modèle économique, certains comportements peuvent être représentés par des coefficients dont la valeur n’est pas connue exactement.

Cette incertitude doit se propager jusqu’aux résultats.

Si plusieurs valeurs raisonnables d’un paramètre produisent des prévisions extrêmement différentes, le modèle est très sensible à ce paramètre.

Présenter une seule valeur finale sans examiner cette sensibilité peut alors donner une impression trompeuse de certitude.

L’analyse de sensibilité : quelles hypothèses portent réellement le résultat ?

Une analyse de sensibilité étudie la manière dont les résultats du modèle changent lorsque certaines hypothèses ou certains paramètres sont modifiés.

Supposons qu’un modèle annonce qu’une intervention réduit de 40 % la propagation d’une maladie.

Si cette estimation reste comprise entre 37 et 43 % lorsque tous les paramètres incertains varient dans des plages raisonnables, le résultat paraît relativement robuste.

Si elle passe de -10 % à +70 % selon une petite modification d’un paramètre mal connu, l’interprétation doit être beaucoup plus prudente.

L’analyse de sensibilité répond donc à une question particulièrement importante :

quelles hypothèses portent réellement la conclusion ?

Elle permet parfois de découvrir qu’un modèle apparemment très complexe dépend essentiellement d’une ou deux hypothèses critiques.

Incertitude sur les paramètres et incertitude sur la structure du modèle

Toutes les incertitudes ne sont pas de même nature.

Nous pouvons être incertains de la valeur d’un paramètre à l’intérieur d’un modèle que nous supposons correct.

Mais nous pouvons également être incertains de la structure même du modèle.

Supposons que l’on modélise la transmission d’une maladie.

On peut ne pas connaître exactement le taux de transmission : c’est une incertitude paramétrique.

Mais on peut également se demander si le modèle doit distinguer les enfants des adultes, représenter explicitement les contacts familiaux ou prendre en compte plusieurs niveaux d’immunité : c’est une incertitude concernant la forme du modèle.

Cette seconde incertitude est souvent plus difficile à quantifier.

Les National Academies soulignent précisément que les modèles computationnels comportent à la fois des incertitudes sur leurs entrées, des approximations numériques et une imperfection inévitable de la représentation mathématique elle-même.

Il existe toujours un écart entre le modèle et le monde

Un modèle réaliste n’est jamais le phénomène lui-même.

Cette différence est parfois appelée model discrepancy ou inadéquation du modèle.

Même lorsque les paramètres sont parfaitement connus, le modèle peut rester incapable de représenter certains mécanismes.

Cela signifie qu’on ne devrait pas toujours chercher à expliquer toute différence entre prédiction et observation en ajustant simplement davantage les paramètres.

Si le modèle possède une mauvaise structure, les paramètres peuvent être forcés vers des valeurs artificielles pour compenser ses défauts.

Il devient alors possible d’obtenir une bonne reproduction des données pour les mauvaises raisons.

C’est une difficulté importante dans tous les modèles complexes.

Une simulation peut être déterministe et néanmoins produire des prévisions incertaines

Supposons qu’un programme informatique applique exactement les mêmes règles à chaque exécution.

Le modèle est déterministe : avec les mêmes conditions initiales, il produira toujours le même résultat.

Cela ne signifie pas que sa prévision du monde réel soit certaine.

Les conditions initiales peuvent être imparfaitement connues.

Les paramètres peuvent être incertains.

La structure du modèle peut être approximative.

Et certains systèmes sont extrêmement sensibles à de petites différences initiales.

La certitude du calcul informatique ne doit donc pas être confondue avec la certitude de l’inférence scientifique.

L’ordinateur peut effectuer chaque opération sans erreur et produire malgré tout une prévision fortement incertaine.

Le chaos montre pourquoi une bonne théorie ne garantit pas une prédiction lointaine précise

Les systèmes chaotiques illustrent particulièrement bien cette distinction.

Dans certains systèmes dynamiques, de très petites différences dans les conditions initiales peuvent produire des trajectoires très différentes après un certain temps.

La difficulté prédictive ne vient donc pas nécessairement d’une absence de lois ou d’une théorie médiocre.

Elle peut résulter de la sensibilité intrinsèque du système combinée à notre incapacité à connaître parfaitement son état initial.

La météorologie constitue l’exemple le plus familier.

Les équations physiques gouvernant l’atmosphère ne sont pas arbitraires, mais l’impossibilité de mesurer parfaitement l’état de toute l’atmosphère limite la prévisibilité détaillée à longue échéance.

Cela ne signifie pas que toute prévision devient impossible. Certaines propriétés statistiques ou tendances à plus grande échelle peuvent rester beaucoup plus robustes que la trajectoire précise d’un événement particulier.

Prévoir le climat n’est pas prévoir la météo d’un jour en 2100

Cette distinction est particulièrement importante dans les discussions publiques sur les modèles climatiques.

On entend parfois :

« Si la météo à quinze jours est incertaine, comment peut-on modéliser le climat dans plusieurs décennies ? »

La comparaison confond deux types de questions.

Prévoir exactement la météo à Paris à 14 h 30 le 17 juillet 2100 serait effectivement irréaliste.

Mais un modèle climatique ne cherche généralement pas à fournir ce type de trajectoire météorologique individuelle. Il cherche à représenter les distributions statistiques, les équilibres énergétiques, les réponses du système climatique aux forçages et leurs évolutions à long terme.

Un lancer de dé est imprévisible dans son résultat individuel tout en ayant des propriétés statistiques très prévisibles lorsqu’on répète l’expérience. Le climat est évidemment infiniment plus complexe, mais la distinction logique est similaire : prévisibilité statistique et prédictibilité d’une trajectoire précise ne sont pas identiques.

Les modèles climatiques restent néanmoins soumis aux mêmes exigences que les autres modèles : comparaison aux observations, étude de sensibilité, incertitudes et évaluation de leur capacité à reproduire différents aspects du système.

Utiliser plusieurs modèles peut être une source d’information

Lorsqu’un phénomène est complexe, plusieurs modèles construits avec des hypothèses différentes peuvent être utilisés simultanément.

Si tous conduisent à des conclusions proches malgré leurs différences, cette convergence peut renforcer la confiance.

S’ils divergent fortement, cette divergence constitue elle-même une information sur l’incertitude structurelle.

Les sciences du climat utilisent notamment des ensembles de modèles, mais le principe dépasse largement ce domaine.

En économie, plusieurs spécifications peuvent être comparées.

En épidémiologie, différents modèles de transmission peuvent explorer les conséquences d’hypothèses alternatives.

En biologie, plusieurs modèles mécanistiques peuvent reproduire les mêmes données mais diverger dans leurs prédictions futures.

Comparer plusieurs modèles ne garantit pas que l’un d’eux soit correct. Tous peuvent partager une hypothèse erronée.

Mais cela permet d’éviter de confondre la certitude d’un modèle particulier avec la robustesse d’une conclusion à travers plusieurs représentations.

Un ensemble de modèles n’est pas une démocratie

Il faut toutefois éviter un autre raccourci : si dix modèles donnent une réponse et cinq une autre, la majorité n’est pas automatiquement correcte.

Les modèles peuvent être apparentés.

Ils peuvent partager du code, des données, des hypothèses ou des mécanismes.

Leur indépendance n’est donc pas toujours comparable à celle de quinze expériences totalement différentes.

Une moyenne d’ensemble peut être utile, mais sa qualité dépend de la diversité réelle des modèles et de leurs performances.

Nous retrouvons une idée déjà centrale dans cette catégorie : compter plusieurs sources n’est vraiment rassurant que si l’on examine dans quelle mesure leurs erreurs peuvent être indépendantes.

Une simulation peut découvrir des conséquences inattendues de nos propres hypothèses

On pourrait croire qu’une simulation ne nous apprend rien puisque l’ordinateur ne fait qu’exécuter ce que les chercheurs ont programmé.

Cette objection est trop forte.

Un ensemble de règles simples peut produire des conséquences extrêmement difficiles à prévoir mentalement ou analytiquement.

Une simulation peut révéler des structures émergentes, des seuils, des instabilités ou des interactions inattendues.

Elle permet également d’explorer rapidement de nombreuses combinaisons de paramètres.

La SEP consacrée aux simulations souligne précisément cette fonction heuristique et exploratoire : les simulations peuvent conduire à de nouvelles hypothèses ou théories en révélant le comportement d’un modèle dans des régions de son espace de paramètres qui n’avaient pas été anticipées.

Mais il faut conserver la distinction :

la simulation peut révéler une conséquence du modèle.

Il reste ensuite à déterminer si cette conséquence correspond réellement au système représenté.

Les simulations peuvent parfois remplacer des expériences impossibles

Certaines expériences sont trop coûteuses, trop dangereuses ou simplement impossibles.

On ne peut pas faire exploser une étoile pour observer différents scénarios de supernova.

On ne peut pas construire plusieurs planètes Terre et modifier uniquement leur atmosphère.

On ne peut pas reproduire l’évolution d’une galaxie pendant plusieurs milliards d’années dans un laboratoire.

Les simulations permettent alors d’explorer ce que différents modèles impliquent.

Elles sont donc devenues, selon la SEP, pratiquement indispensables dans plusieurs sciences contemporaines.

Mais leur importance rend d’autant plus essentielle la question de leur validation.

L’absence d’expérience directe ne transforme pas automatiquement la simulation en preuve suffisante.

Il faut rechercher des points de contact avec des observations accessibles, tester les composants du modèle et examiner sa capacité à reproduire des phénomènes indépendants.

Valider morceau par morceau

Un modèle complexe peut parfois produire des résultats sur des situations qu’il est impossible de reproduire directement.

Comment le tester ?

Une stratégie consiste à examiner les différentes composantes du modèle dans des situations où des observations sont disponibles.

Supposons qu’un modèle destiné à prévoir le comportement d’un véhicule spatial lors d’une rentrée atmosphérique doive être utilisé dans des conditions impossibles à reproduire exactement au sol.

Certaines composantes peuvent néanmoins être testées en laboratoire, d’autres confrontées à des données de vols antérieurs et certaines méthodes numériques comparées à des solutions connues dans des cas simplifiés.

Les National Academies soulignent justement que la validation des modèles complexes consiste souvent à combiner plusieurs comparaisons et analyses d’incertitude, notamment lorsque la quantité finale que l’on souhaite prédire ne peut pas elle-même être directement observée dans les conditions futures d’utilisation.

Le modèle acquiert alors sa crédibilité par un réseau de tests, pas par une expérience unique reproduisant parfaitement tout le système.

Les modèles extrapolent — et c’est précisément là que le risque augmente

Un modèle est souvent particulièrement utile lorsqu’il permet d’étudier une situation qui n’a pas encore été observée.

Mais c’est aussi là que sa fiabilité devient plus difficile à établir.

Interpoler signifie essentiellement prédire à l’intérieur d’un domaine déjà bien couvert par les données.

Extrapoler consiste à aller au-delà.

Un modèle décrivant correctement des températures comprises entre 10 et 30 °C ne fonctionnera pas nécessairement à 500 °C.

Une relation économique observée pendant une période institutionnellement stable peut changer lors d’une crise exceptionnelle.

Une relation médicale estimée chez des adultes ne se transporte pas automatiquement chez des nourrissons.

Plus nous nous éloignons du domaine dans lequel le modèle a été confronté aux observations, plus les hypothèses structurelles du modèle portent le poids de la prédiction.

L’extrapolation n’est pas interdite. Elle doit simplement être reconnue comme telle.

Un modèle peut être bon pour une variable et mauvais pour une autre

La validation ne doit pas non plus être formulée comme un verdict global :

« Ce modèle est validé. »

Un modèle climatique peut reproduire correctement certaines températures moyennes tout en moins bien représentant certains phénomènes régionaux.

Un modèle biologique peut bien prédire la croissance moyenne d’une population et mal représenter sa variabilité individuelle.

Un modèle économique peut prévoir correctement certaines grandeurs agrégées tout en reproduisant mal leur distribution.

Les National Academies définissent précisément la validation relativement à la quantité d’intérêt et à l’usage prévu du modèle, plutôt qu’à une prétendue fidélité universelle.

Dire qu’un modèle fonctionne nécessite donc toujours de préciser :

pour prédire quoi ?

Les hypothèses simplificatrices doivent être visibles

Une bonne pratique de modélisation consiste à rendre explicites les hypothèses importantes.

Si un modèle suppose une population homogène, cette hypothèse doit pouvoir être identifiée.

S’il néglige certains mécanismes, il faut expliquer pourquoi.

S’il utilise un paramètre mal connu, son incertitude doit être signalée.

Cette transparence permet au lecteur de demander :

« Si cette hypothèse était fausse, la conclusion changerait-elle ? »

C’est exactement le rôle des analyses de sensibilité et de robustesse.

Un modèle devient dangereux lorsqu’il produit un chiffre très précis tout en masquant les décisions et approximations qui ont permis de l’obtenir.

Toute simplification n’est pas une faiblesse

Le discours critique sur les modèles tombe parfois dans une erreur inverse.

On trouve une hypothèse simplificatrice, puis on en déduit :

« Le modèle est irréaliste, donc sa conclusion ne vaut rien. »

Ce raisonnement est aussi mauvais que l’acceptation naïve du modèle.

La bonne question est :

la simplification modifie-t-elle substantiellement la conclusion qui nous intéresse ?

Supposons qu’un calcul balistique néglige la couleur du projectile.

La simplification est parfaitement justifiée.

S’il néglige la résistance de l’air alors qu’il cherche à prédire avec précision la trajectoire d’une plume, elle ne l’est probablement pas.

Une critique scientifique d’un modèle doit donc montrer pourquoi la caractéristique omise est pertinente pour le résultat, pas simplement constater qu’elle est absente.

Tous les modèles sont imparfaits, mais pas également imparfaits

On associe souvent au statisticien George Box l’idée selon laquelle tous les modèles sont faux mais certains peuvent être utiles.

La formule capture une intuition importante, à condition de ne pas en tirer une conclusion relativiste.

Si tous les modèles simplifient le réel, cela ne signifie évidemment pas qu’ils se valent.

Un modèle peut reproduire correctement une multitude d’observations indépendantes.

Un autre peut échouer systématiquement.

Un modèle peut prévoir des phénomènes qui n’ont pas participé à sa construction.

Un autre peut uniquement être ajusté après chaque résultat.

L’un peut être robuste à de nombreuses hypothèses raisonnables.

L’autre peut changer entièrement pour une modification minuscule d’un paramètre arbitraire.

L’imperfection universelle des modèles n’efface donc pas les différences considérables de qualité entre eux.

Les National Academies partent précisément de ce constat : les modèles mathématiques sont des représentations imparfaites de la réalité, mais il est possible d’étudier systématiquement leurs erreurs et leurs incertitudes afin de déterminer dans quelles conditions ils sont utiles.

Ce qu’un bon modèle doit permettre de faire

Il n’existe pas une liste universelle applicable avec le même poids à tous les modèles, mais plusieurs qualités peuvent être examinées.

Le modèle doit posséder un objectif clairement défini.

Ses hypothèses principales doivent être suffisamment explicites.

Il doit être comparé aux observations pertinentes lorsqu’elles existent.

Ses paramètres ne devraient pas seulement être ajustés sans contrôle sur les mêmes données que celles utilisées pour l’évaluer.

Ses conclusions importantes devraient être examinées à travers des analyses de sensibilité.

Les incertitudes significatives doivent être rapportées.

Enfin, lorsqu’un modèle est utilisé pour extrapoler très loin au-delà des données disponibles, cette extrapolation doit être clairement distinguée des domaines dans lesquels il a déjà été testé.

Aucun de ces critères n’est un sceau automatique de vérité.

Ils permettent cependant de déterminer pourquoi nous devrions accorder plus ou moins de confiance à certaines sorties du modèle.

Le modèle comme instrument de raisonnement

Un modèle scientifique n’est finalement ni une photographie du monde ni une simple fiction arbitraire.

C’est un instrument de raisonnement.

Il nous permet de sélectionner certaines propriétés d’un système, d’expliciter des hypothèses, d’explorer leurs conséquences et de confronter ces conséquences aux observations.

Ses simplifications peuvent être exactement ce qui le rend utile.

Mais cette puissance possède une contrepartie : les conclusions du modèle sont toujours conditionnelles à la qualité de la représentation construite.

Un ordinateur ne supprime pas cette condition.

Une équation élégante ne la supprime pas.

Des milliards de calculs ne la suppriment pas.

Toute sortie de modèle doit donc pouvoir être retracée vers les hypothèses, données et approximations qui la rendent possible.

Le test décisif n’est pas « le modèle est-il réaliste ? »

Une bonne évaluation commence par préciser ce que le modèle est censé accomplir.

Ensuite seulement viennent les questions pertinentes :

Quelles caractéristiques du système représente-t-il ?

Lesquelles laisse-t-il de côté ?

Quelles hypothèses sont des approximations connues ?

Les résultats changent-ils fortement si ces hypothèses sont modifiées ?

Le programme implémente-t-il correctement le modèle ?

Le modèle reproduit-il des observations qui n’ont pas servi à le calibrer ?

Existe-t-il plusieurs modèles plausibles conduisant aux mêmes conclusions ?

Les incertitudes sont-elles suffisamment explicitées ?

Et surtout : l’usage que nous faisons du modèle correspond-il au domaine dans lequel il a été réellement mis à l’épreuve ?

Cette manière de raisonner évite deux erreurs symétriques : croire aveuglément un modèle parce qu’il est mathématique et sophistiqué, ou le rejeter simplement parce qu’il simplifie la réalité.

La science se situe entre les deux : simplifier assez pour comprendre, mais contrôler assez pour savoir jusqu’où cette simplification reste fiable.


À retenir

Un modèle scientifique est une représentation sélective d’un système. Il n’a pas besoin de reproduire chaque détail du réel pour être utile. Certaines simplifications relèvent de l’abstraction, lorsque des caractéristiques sont simplement laissées de côté ; d’autres sont des idéalisations, lorsque le modèle représente volontairement le système d’une manière que l’on sait littéralement inexacte afin d’isoler certains mécanismes. La philosophie contemporaine des modèles reconnaît explicitement ce rôle central des représentations idéalisées dans les sciences.

Une simulation informatique explore les conséquences d’un modèle ; elle ne constitue donc pas automatiquement une expérience directe sur le système réel. Les simulations sont devenues indispensables dans de nombreuses disciplines, mais leurs résultats dépendent à la fois du modèle, des approximations numériques, du code, des paramètres et des données utilisées.

Il faut notamment distinguer vérification et validation. La vérification cherche à déterminer si le programme résout correctement le modèle mathématique ; la validation demande dans quelle mesure le modèle représente correctement le système réel pour l’usage auquel on le destine. Les National Academies ajoutent à ces deux contrôles la quantification de l’incertitude, nécessaire pour comprendre comment les imperfections des données, paramètres et approximations affectent les résultats.

Enfin, aucun modèle n’est une reproduction parfaite du monde, mais cette banalité ne signifie pas que tous les modèles se valent. Un bon modèle doit être évalué par ses performances empiriques, son domaine de validité, la robustesse de ses conclusions, la transparence de ses hypothèses et sa capacité à produire des résultats utiles au-delà des données ayant servi à le construire.

La bonne question n’est donc pas :

« Ce modèle est-il parfaitement réaliste ? »

mais :

« Ses simplifications sont-elles suffisamment bonnes pour la question que nous lui demandons de résoudre ? »

Sources et références

  • Frigg, Roman & Hartmann, Stephan, « Models in Science », *Stanford Encyclopedia of Philosophy*, révision substantielle du 2 avril 2025.
  • Winsberg, Eric, Durán, Juan M. et collaborateurs, « Computer Simulations in Science », *Stanford Encyclopedia of Philosophy*, révision substantielle du 19 février 2026.
  • National Research Council, Assessing the Reliability of Complex Models: Mathematical and Statistical Foundations of Verification, Validation, and Uncertainty Quantification, National Academies Press, 2012, DOI 10.17226/13395.
  • National Research Council, « Model Validation and Prediction », dans *Assessing the Reliability of Complex Models*, sur la validation relative aux quantités d’intérêt et aux usages prévus du modèle.
  • Box, George E. P. & Draper, Norman R., Empirical Model-Building and Response Surfaces, Wiley, 1987.
13 sur 39Retour à la catégorie