Pourquoi le domaine correspond
Le principe de l'énergie libre décrit des systèmes dynamiques aléatoires ergodiques qui maintiennent un état stationnaire de non-équilibre en minimisant l'énergie libre variationnelle, une borne supérieure de la surprise de leurs états sensoriels sous un modèle génératif. Les systèmes écologiques satisfont cette description à toutes les échelles: les organismes, les populations et les écosystèmes maintiennent des distributions caractéristiques d'états (abondances, niveaux de ressources, variables climatiques) et présentent des modèles auto-organisés résilients aux perturbations. Ramstead et ses collègues ont inventé le terme "écologie variationnelle" pour capturer cela, traitant les organismes comme des machines d'inférence qui paramètrent des modèles génératifs de leur niche tandis que la construction de niche permet aux environnements de servir d'« états externes » co-adaptatifs de ce même système. Parce que l'imbrication écologique (populations au sein de communautés au sein d'écosystèmes au sein de la biosphère) se mappe directement sur une hiérarchie de couvertures de Markov, la structure multi-échelle du domaine est ce qui en fait un ajustement naturel plutôt qu'une extension métaphorique.
Patterns d'applications dans la littérature
Les schémas de modélisation concrète se répètent dans le corpus: modèles génératifs de variables écologiques (états des ressources, signaux des prédateurs, environnements développementls), sélection de politiques via l'énergie libre attendue qui équilibre la valeur pragmatique contre la valeur épistémique (réduisant l'incertitude), et formulations hiérarchiques où les variables lentes (climat, génétique) contraignent les variables rapides (comportement, phénotype). Constant et ses collègues ont formalisé la construction du niche développemental comme un flux lent de gradient d'énergie libre, dans lequel les organismes modifient les variables environnementales telles que les structures de nid ou les environnements de soins parentaux pour stabiliser les trajectoires de développement préférées. Bruineberg, Rietveld et Parr ont étendu cela à une mesure d'énergie libre commune agent-environnement de "compatibilité" et le cadre de l'"écologie cognitive de la surprise" applique l'inférence active aux dynamiques prédateur-proie, arguant que les prédateurs bénéficient de la génération de surprises tandis que les proies minimisent celle-ci par vigilance et choix d'habitat. L'article PNAS de Heins et ses collègues sur le comportement collectif à partir de la minimisation de l'énergie libre est le résultat de simulation le plus développé, montrant que des agents continus minimisant individuellement l'énergie libre reproduisent les mouvements de groupe semblables à ceux des bancs et des troupeaux sans règles de comportement codées manuellement. À la plus grande échelle, Rubin, Parr, Da Costa et Friston modélisent le cycle du carbone et les taux métaboliques de la biosphère comme une couverture de Markov planétaire, décrivant la résilience et la régulation climatique de la Terre comme si la biosphère minimisait un fonctionnal d'énergie libre.
Outils et infrastructures institutionnelles
Le package Python pymdp implémente l'inférence active de processus de décision de Markov discrets et sous-tend plusieurs des modèles d'application écologique décrits ici (choix de parcelles, sélection d'habitat discret, jeux de recherche de nourriture simplifiés), tandis que les scripts de tutoriel SPM/MATLAB et le code publié par Heins et al. GitHub pour les simulations de comportement collectif en temps continu fournissent des points de départ adaptables. Albarracin, Hipolito et leurs collègues ont construit des modèles d'inférence active de gestion des ressources communes, offrant des modèles pour les applications socio-écologiques même si leur objectif actuel est le comportement humain plutôt que les systèmes écologiques directement. Un pré-tirage "inférence active centrée sur l'environnement" propose de définir les couvertures de Markov du point de vue de l'environnement, une direction pertinente pour la modélisation écologique mais pas encore étayée par un code largement disponible. Le Active Inference Institute est le centre institutionnel cité dans le rapport pour ce programme de recherche, ayant dirigé un laboratoire Active Inference depuis environ 2021 avec des diffusions en direct et des discussions couvrant le travail in silico et la robotique ainsi que la biogéographie et la résilience du système terrestre, et il maintient des entrées de base de connaissances sur la dynamique écologique et évolutive.
Problèmes non résolus
Le rapport est explicite quant au fait que les applications empiriques et basées sur des données restent rares par rapport à la littérature théorique et de simulation: il y a presque pas de tests publiés qui comparent les prédictions d'inférence active à des modèles écologiques alternatifs (modèles d'optimalité, apprentissage par renforcement) en utilisant des données comportementales ou environnementales réelles. Un deuxième problème ouvert est celui du passage à l’échelle cohérente des organismes vers les écosystèmes et la biosphère sans choix arbitraires concernant ce qui constitue un « état interne » à chaque niveau — le rapport note qu'il est mal compris si un écosystème doit être modélisé comme un seul agent ou comme une population d’agents interagissant dont la dynamique ne ressemble qu’à l’inférence de manière agrégée. Un troisième problème est interprétatif: l’application d’un langage « de croyance » aux plantes, aux communautés microbiennes ou à la biosphère risque de surestimer les affirmations cognitives, et le rapport recommande de considérer l’inférence active comme une commodité de modélisation plutôt que un engagement ontologique pour les systèmes non cognitifs. Enfin, le rapport souligne des lacunes méthodologiques concrètes (logiciels qui dépassent les petits MDP discrets, techniques pour estimer des proxys d'énergie libre à partir de séries temporelles écologiques bruyantes) et des questions normatives soulevées lorsque les modèles de gouvernance socio-écologique commencent à encoder « des états préférés » qui intègrent des jugements de valeur sur la croissance par rapport à la biodiversité.
Squelette de référence
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Maxwell J. D. Ramstead, Karl J. Friston, Axel Constant, Lancelot Da Costa, Casper Hesp, Beren Millidge, Alexander Tschantz (2023). On Bayesian Mechanics: A Physics of and by Beliefs. arXiv.