1) Quel bénéfice heuristique pour la simulation ?
La simulation consiste à recréer artificiellement le fonctionnement d’un système, à l’aide par exemple de programmes informatiques (source TLFI). Un de ses objectifs est de reproduire l’émergence de propriétés observées dans le système réel, par le jeu de la combinaison des comportements putatifs de ses éléments. La simulation informatique en elle-même ne permet en aucun cas de résoudre la complexité. Il s’agit d’une technicisation de la capacité de déduction/projection de notre esprit, présentant cependant l’avantage d’être incommensurablement plus rapide et puissante. En effet, le développement des capacités de calcul des ordinateurs ces 30 dernière années, leur offrant la possibilité de traiter rapidement une très grande quantité de données, permet l’intégration d’un nombre de dynamiques suffisant pour qu’elles soient considérées comme représentatives du système authentique. L’usage d’ordinateur permet donc d’embrasser des objets d’une profondeur logique plus importante (par analogie à la profondeur logique sensu Bennett ; Delahaye, 2009) ; la simplification n’est plus limitante. Il s’agit au final de la conjonction d’une approche dialectique et instrumentale (les anglophones ayant conservé cette dimension dans le terme computer, soit littéralement calculateur). Par conséquent l’expression « simulation assistée par ordinateurs » paraît plus adéquate que « simulation informatique ».
La simulation est donc par essence un outil théorique ad hoc pour l’application de l’approche holistique descendante top-down évoquée précédemment, puisque c’est bien le comportement du tout qui est évalué, sur la base de l’implémentation d’hypothèses sur le fonctionnement des parties, conformément à la définition de Katagiri (2003). La simulation est tellement associée au principe d’émergence qu’une des définitions communément employée (Déguet et al., 2005 ; Bornhofen, 2008) de l’émergence, celle de Darley (1994), en fait la condition même de son identification :
“a true emergent phenomenon is one for which the optimal means of prediction is simulation”
Bien que cette définition est assez peu applicable concrètement et présente un risque tautologique, elle illustre pour le moins la perception de la puissance de la simulation comme outils d’investigation de phénomènes dont l’apparition est tributaire de l’actionnement du système.
Dans notre cas, un simulateur informatique permettant de reproduire déploiement de l’architecture du ray-grass pourrait constituer une approche complémentaire visant à la compréhension de son système morphogénétique. Ce type de simulateur offre en effet la possibilité de tester des hypothèses et d’évaluer leur plausibilité sur la base du comportement du système global. Pour cela cependant, il est nécessaire d’émettre des hypothèses fortes sur la manière dont on imagine que le déploiement architectural est régulé et de les implémenter dans un système intégré. Avant d’envisager la simulation, il est donc nécessaire de procéder à une étape de modélisation.
Cette reconstruction du « tout » par modélisation nécessite l’intégration d’informations et de théories. Cette combinaison permet de vérifier leur compatibilité réelle, ou a contrario de détecter des incohérences du corpus théorique, comme signalé par Kurth (1994) :
39 « One important general reason for attempting to model nature is that we wish to
detect gaps in our knowledge which come to perception only in the very moment when one tries to write down an algorithm for simulation.”(Kurth, 1994)
Enfin, l’avantage de la création de modèle de type « réalité virtuelle » ou « vie artificielle » est leur contrôlabilité, et notamment la possibilité de pouvoir assurer la déconnexion de dynamiques qui sont indissociables expérimentalement in vivo (Kurth, 1994) pour pouvoir étudier leur contribution respective à un phénomène. Par exemple dans le cas de l’étude du ray-grass il s’agit de pouvoir déconnecter l’interception de l’énergie lumineuse et la croissance, normalement reliées par la photosynthèse.
Au final, les principaux avantages conférés par la méthode de modélisation-simulation sont donc (Vos et al., 2007):
-de pouvoir reconstituer les propriétés émergentes -de tester des hypothèses
-de vérifier la cohérence du corpus théorique employé
-de pouvoir déconnecter des processus indissociables dans la réalité
La démarche consiste donc à essayer de recréer le réel au lieu de l’analyser (stricto sensu).
2) Le modèle ?
Le modèle et la réalité
La diversité des méthodologies utilisées à des fins de modélisation nous confronte avec une grande variété d’objets se présentant comme des modèles, malgré leur évidente dissemblance, des équations mathématiques aux représentations schématiques ou encore aux programmes informatiques. Le terme modèle offre en lui-même une très grande richesse d’acceptions : objet à imiter, catégorie, représentation, etc. Legay (1996) milite pour donner au modèle, dans le cadre de la recherche scientifique, une définition « instrumentale », il s’agit avant tout d’un outil. Nous considérerons ici le modèle comme une représentation simplifiée et communicable de la réalité, tendant à reproduire partiellement un phénomène, en vue de son étude (Grimm, 1999).
Le modèle est donc avant tout une abstraction, confrontée du fait de sa subjectivité et de son incomplétude à l’opposition (classique depuis « La République » de Platon, Vième-IVième s. av. JC) entre représentation et réalité. L’analogie est forte avec l’opposition sémiotique signifiant- signifié, parfois trompeuse. Au même titre que la pipe de Magritte (fig. I.14), tout modèle de ray- grass n’est effectivement pas un ray-grass et il s’agit donc d’éviter le travers des effets de type Pygmalion, selon lequel toute propriété du modèle tend à être interprétée et projetée comme une propriété du réelle par son utilisateur.
Pour toute démarche de modélisation il semble donc nécessaire - afin de liquider ce type d’incompréhension - de clarifier si possible a priori le rapport que le modèle se prétend entretenir à la réalité. Est-il purement illustratif ou descriptif à des fins pédagogique, est-il une reproduction mécaniste - que l’on veut fidèle - de phénomènes à visée prédictive, est-il d’ordre plus spéculatif, destiné au test de théories prospectives ? Cet effort de clarté sera entretenu autant que faire se peut dans la suite de ce document.
40 Quelle modélisation ?
Pour mieux comprendre la structuration du couvert prairial, il faut simuler l’évolution de la structure physique des individus en fonction des déterminants qui nous semblent pertinents. Il existe une grande variété d’approches conceptuelles et méthodologiques permettant la modélisation des systèmes biologiques (p.ex. équations différentielles et compartiments, automates cellulaires). Dans notre cas cependant il s’agit d’obtenir une simulation dynamique explicite de la structure spatiale du système d’étude. D’un point de vue typologique il faut donc aboutir à une modélisation morphologique. Comme énoncé plus haut, considérant le rôle de l’architecture dans la capture des ressources, il est nécessaire de décrire cette morphologie telle qu’affectée par - et affectant son - fonctionnement. Ce type spécifique de modélisation associant les dynamiques fonctionnelles et structurales est qualifié de modélisation structure-fonction. Par rapport aux autres méthodes existantes, elle est caractérisée par la prise en compte de la structure spatiale du système d’étude comme étant une propriété fondamentale de son comportement, tel qu’énoncé par Vos et al. (2007) :
“Functional-Structural Plant Model are particularly suited to analyse problems in which the spatial structure of the system is an essential factor contributing to the explanation of the
behaviour of the system of study” (Vos et al., 2007)
Afin de cerner en quoi cette démarche de modélisation structure-fonction est spécifique et pertinente il semble judicieux de prendre connaissance du contexte historique et théorique de sa genèse.
3) Genèse de la modélisation structure-fonction
Dans le domaine de l’agronomie, le terme « modèle » a longtemps signifié « modèle de culture », soit un jeu d’équations, à but prédictif. Il s’agissait alors de reproduire les processus responsables de l’accumulation de la biomasse.
« Process-based models »
En effet, d’un point de vue historique, l’intérêt – notamment économique – prioritaire en agronomie des productions végétales résidait en la maximisation de la production exportable (Vos et Heuvelink, 2006 ; Vos et al., 2007). Les premiers modèles, ou modèles de culture, Figure I.14. A) « La trahison des images » de René Magritte (1929). B) Toute démarche de modélisation impose de s’interroger sur l’objectif du modèle créé et sur son rapport à la réalité.