L’importance d’être discret : pourquoi la vie gagne toujours en surface

Imaginez une population qui tente de vivre dans un milieu clairsemé. Les individus meurent spontanément, mais ils peuvent se multiplier chaque fois qu'ils croisent l'un des « catalyseurs » qui errent au hasard. Les catalyseurs sont si rares que le calcul moyen est sans appel : les naissances ne compensent pas les morts, la population va s'éteindre.

L'équation derrière ce calcul est un outil standard, de la chimie et de la biologie jusqu'à l'économie. En 2000, Shnerb, Louzoun, Bettelheim et Solomon ont montré que, dans ce cas, l'équation se trompe : sur une surface à deux dimensions, la population ne s'éteint pas, elle croît. Leur titre le disait : l'importance d'être discret — sur une surface, la vie gagne toujours.

Des catalyseurs immortels, des agents mortels

Le modèle comporte deux espèces. L'espèce A regroupe des catalyseurs immortels : ils se déplacent au hasard et ne font rien d'autre. L'espèce B regroupe des agents mortels qui suivent trois règles :

ils meurent spontanément au taux μ ;
ils se reproduisent au taux λ lorsqu'un A se trouve sur le même site (B + A → B + B + A) ;
ils se déplacent eux aussi au hasard.

Les B n'interagissent pas entre eux, et les A ignorent les B. Le modèle est aussi dépouillé que cela.

Ce que prédit la moyenne

L'approche classique ne compte pas les B un à un : elle les traite comme une densité continue et écrit une équation de réaction-diffusion. Si les A sont répartis uniformément et que les B le sont au départ, l'équation se réduit à une simple exponentielle :

n_B(t) = n_B(0) · e^{(λ⟨n_A⟩ − μ) t}

Tout dépend d'un seul nombre, r = λ⟨n_A⟩ − μ. Si la densité moyenne des catalyseurs suffit à faire passer les naissances au-dessus des morts (r > 0), la population croît ; sinon (r < 0), elle s'éteint exponentiellement, au même rythme partout.

Notion L'hypothèse de champ moyen

L'équation continue suppose deux choses. D'abord, que la position des B est indépendante de celle des A. Ensuite, que la densité peut être aussi petite qu'on veut. Or, à mesure que les B voisins d'un A se multiplient, il s'y forme un amas plus dense que la moyenne ; et il n'existe pas de « millième d'individu par mètre carré » : un individu est là ou n'est pas là. Dans le régime r < 0, ces deux approximations s'alimentent l'une l'autre et la prédiction devient qualitativement fausse.

Des îlots qui suivent les catalyseurs

Voici ce qui se passe réellement : sur le site où se trouve un A, les B se multiplient exponentiellement jusqu'à ce que le A s'en aille. Une partie diffuse vers les sites voisins, si bien qu'un pic se forme autour du A. Quand le A fait un pas, il arrive sur un site voisin que les B ont déjà atteint : l'îlot se déplace avec lui. D'après le calcul de l'article, le taux de croissance de cet îlot mobile vaut λ − μ − 2dD_B − 2dD_A log(λ/D_B), et il peut rester positif même quand le taux moyen r est négatif.

Les auteurs ont généralisé ce résultat par une analyse de groupe de renormalisation. Elle donne une dimension critique d_c = 2 : en deux dimensions ou moins, à assez grande échelle, le système se comporte toujours comme si r > 0. En trois dimensions, il existe une véritable transition de phase entre survie et extinction.

Le reproduire sous NetLogo

Le modèle a été construit sous NetLogo, un environnement de modélisation multi-agents, sur une grille de 61 × 61 aux bords périodiques (un tore). Les taux de la théorie ont été interprétés comme des probabilités d'événement par pas de temps, une lecture valable pour de petits taux.

Chaque pas compte quatre étapes : les A se déplacent, les B meurent, les B qui partagent un site avec un A se reproduisent, puis les B se déplacent. La liste des B qui vont se reproduire est figée au début du pas ; sinon, les B nés pendant ce même pas se reproduiraient aussi et gonfleraient artificiellement le taux effectif.

Un ajout a été fait au modèle original : aucun site ne peut contenir plus de k_max B. Cette capacité de charge est plus réaliste biologiquement et évite l'explosion des calculs sur les longues simulations. Les réglages de référence sont ⟨n_A⟩ = 0,10, n_B(0) = 0,30, λ = 0,60, μ = 0,10, D_A = 0,30 et D_B = 0,20 ; on obtient r = −0,04, et la théorie continue prévoit donc l'extinction.

Cinq expériences

Dans la première expérience, la théorie continue prédisait que la population de B tomberait à environ un cinquantième ; dans la simulation, elle a été multipliée par cent. L'écart entre les deux courbes atteint environ 3,7 ordres de grandeur. La grille montre pourquoi : les B forment des îlots compacts autour des groupes de A, séparés par des zones sombres presque vides.

Expérience	Changement	r	Simulation	Théorie continue
1. Référence	μ = 0,10	−0,04	+2,0	−1,7
2. Forte mortalité	μ = 0,50	−0,44	extinction au pas 14	extinction
3a. Peu de catalyseurs	⟨n_A⟩ = 0,05	−0,07	+1,5 (stable)	−5,8
3b. Beaucoup de catalyseurs	⟨n_A⟩ = 0,20	+0,02	+2,2	+0,8
4. Capacité serrée	k_max = 10	−0,04	+1,7 (plateau)	−8

Les valeurs du tableau sont log₁₀(N_B(t)/N_B(0)) en fin de simulation. Le cas le plus frappant est celui des catalyseurs rares : la théorie attendait une extinction presque totale alors que la population est restée stable — un écart d'environ 7,3 ordres de grandeur, plus de dix millions de fois. Quand les catalyseurs abondaient, la simulation restait encore au-dessus de la théorie : se regrouper autour des A accélère la croissance même dans des conditions favorables.

La deuxième expérience sert de contrôle : avec une mortalité portée à μ = 0,50, la population s'est éteinte en 14 pas. Le modèle n'a donc pas de biais artificiel en faveur de la survie ; « la vie gagne » dépend d'une région précise des paramètres. Dans la quatrième, la capacité de charge a fixé la taille de la population survivante, mais pas le fait qu'elle survive. La cinquième a suivi les îlots qui se forment, se densifient, fusionnent et se réorganisent : le système atteint un équilibre dynamique structuré, ni figé ni homogène.

Les approximations continues, si élégantes soient-elles, ne sont jamais innocentes. Lorsque les fluctuations microscopiques se couplent à une dynamique non linéaire, leur omission peut conduire à des prédictions qualitativement fausses.

Jusqu'où le résultat tient-il ?

Toutes les expériences ont été menées en deux dimensions. Pour tester la prédiction centrale de l'analyse de renormalisation — une dimension critique égale à 2 —, il faudrait faire tourner le même modèle en une et en trois dimensions. Lire les taux comme des probabilités par pas est une approximation valable pour de petits taux ; avec λ = 0,60 dans les réglages de référence, les valeurs sont à lire comme des tendances qualitatives. La capacité de charge ajoute en outre une non-linéarité absente du modèle original.

Les applications suggérées par l'article sont vastes : comment la vie a pu naître dans une chimie prébiotique en apparence non viable, comment des espèces apparemment condamnées persistent dans l'espace des génotypes, comment des profits se réalisent sur des marchés jugés « efficients ». Chacune exigerait de calibrer le modèle sur des données réelles. Mais la leçon principale est déjà claire : la granularité du monde compte.

Sur quoi repose cet article ?

Cet article s'appuie sur le rapport de projet The importance of being discrete: Life always wins on the surface — Reproduction et analyse numérique sous NetLogo, rédigé par Nadir Madi et Mohamed Aziz Ben Romdhane dans le master Computer and Network Systems de l'Université d'Évry Paris-Saclay (parcours Systèmes autonomiques, 2025–2026). Toutes les valeurs du tableau proviennent des simulations du rapport.

Shnerb, N. M., Louzoun, Y., Bettelheim, E. & Solomon, S. (2000). The importance of being discrete: Life always wins on the surface. Proceedings of the National Academy of Sciences USA, 97(19), 10322–10324.