META_PIPELINE_2026 – Version finale top-tier

. ✅ META_PIPELINE_2026 – Version 2 Structure finale du dépôt META_PIPELINE_2026/ │ ├── code/ │ ├── meta_pipeline.py # Méta-pipeline Python complet │ └── mini_dataset.npy # Mini-dataset simulé 10x10 (auto-généré si absent) │ ├── figures/ │ ├── example_network.png # Réseau généré automatiquement │ ├── example_histogram.png # Histogramme des traces locales │ └── example_signature_heatmap.png # Heatmap des contributions locales │ ├── tests/ │ └── test_meta_pipeline.py # Tests unitaires pytest │ ├── tutorial.ipynb # Notebook interactif pour jouer avec pipeline ├── meta_pipeline_cli.py # CLI pour exécuter pipeline sans Python ├── README.md # Documentation complète └── LICENSE.txt # Licence CC BY-NC-ND 4.0 README.md # META_PIPELINE_2026 – Invariants émergents bottom-up ## Publication pilier Ce dépôt accompagne la publication **"Invariants émergents bottom-up : méta-pipeline testable"**. Il constitue une **porte d’entrée stable** vers un corpus bottom-up, permettant d’extraire, quantifier et visualiser des signatures émergentes à partir de corrélations locales uniquement. ## Contenu - `code/meta_pipeline.py` : pipeline principal - `code/mini_dataset.npy` : mini-dataset simulé 10x10 (auto-généré si absent) - `figures/` : figures réseau, histogramme, heatmap - `tests/test_meta_pipeline.py` : tests unitaires pytest - `tutorial.ipynb` : notebook interactif - `meta_pipeline_cli.py` : CLI pour exécuter pipeline - `LICENSE.txt` : licence CC BY-NC-ND 4.0 ## Installation ```bash pip install numpy networkx matplotlib scipy pytest Utilisation simple from code.meta_pipeline import MetaBottomUp import numpy as np # Charger mini-dataset try: A = np.load("code/mini_dataset.npy") except FileNotFoundError: np.random.seed(42) A = np.random.randint(0,2,(10,10)) np.save("code/mini_dataset.npy", A) states = np.random.choice([-1,1], size=(A.shape[0],5)) pipeline = MetaBottomUp(A, local_states=states, min_cycle=3, max_cycle=5) pipeline.extract_cycles() sig = pipeline.compute_signature() sig_stable = pipeline.stabilize_signature() ci_low, ci_high = pipeline.bootstrap_signature() print("Signature brute :", sig) print("Signature stabilisée :", sig_stable) print("Intervalle bootstrap :", ci_low, ci_high) pipeline.plot_network(node_colors=states[:,0], title="Mini Réseau") pipeline.plot_signature_distribution() pipeline.plot_signature_heatmap() Notes Mini-dataset inclus pour test immédiat Pipeline extensible : nouvelles métriques/données Figures générées automatiquement pour visualiser les invariants émergents Peut être appliqué à des matrices type HCP (non incluses) Licence CC BY-NC-ND 4.0 (voir LICENSE.txt) --- ## **LICENSE.txt** ```text © 2026 Kevin Fradier — Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International (CC BY-NC-ND 4.0) Conditions : - Attribution obligatoire - Pas d’usage commercial - Pas de modification / dérivation code/meta_pipeline.py (Code complet avec cycles, signature, stabilisation, bootstrap, visualisation + heatmap) import numpy as np import networkx as nx import matplotlib.pyplot as plt from itertools import combinations from scipy.stats import bootstrap import os class MetaBottomUp: def __init__(self, adjacency_matrix, local_states=None, min_cycle=3, max_cycle=10): self.A = adjacency_matrix self.states = local_states self.min_cycle = min_cycle self.max_cycle = max_cycle self.cycles = [] self.signature = None def extract_cycles(self, directed=False, sample_size=None): G = nx.from_numpy_array(self.A) cycles_found = [] if directed: Gd = G.to_directed() cycles_found = [c for c in nx.simple_cycles(Gd) if self.min_cycle