META-TEST DE MÉMOIRE SYSTÉMIQUE Instrument computationnel minimal, testable et non interprétatif

. META-TEST DE MÉMOIRE SYSTÉMIQUE Instrument computationnel minimal, testable et non interprétatif Auteur : Kevin FradierDate : Janvier 2026Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0 0. Positionnement (factuel, pas théorique) Ce document définit un test, pas un modèle. Il ne postule : ni cognition ni intention ni causalité ni dynamique interne Il répond uniquement à la question opérationnelle suivante : Un système conserve-t-il une trace statistiquement détectable de son histoire locale sous perturbations contrôlées ? 1. Définition opérationnelle On appelle mémoire systémique détectable la satisfaction simultanée de : Existence de motifs locaux fermés non triviaux Agrégation non nulle de signatures locales Persistance sous perturbations stochastiques Robustesse statistique vs contrôles aléatoires Aucune interprétation n’est associée à ces critères. 2. Entrée du test (ultra-abstraite) Le test accepte un seul objet : M ∈ ℝⁿˣⁿ Interprétation laissée libre : matrice de connectivité corrélations temporelles co-occurrences symboliques interactions physiques flux écologiques relations sociales Le test ne dépend pas de l’origine de M. 3. Observables mesurées (et seulement celles-ci) Observable Définition Motif local Cycle ou sous-structure fermée Signature locale Trace / invariant simple sur le motif Invariant global Agrégation statistique Stabilité Invariance sous bruit Robustesse IC bootstrap Contribution Poids nodal cumulatif Aucune autre variable n’est utilisée. 4. MÉTA-CODE FINAL (VERSION INSTRUMENT) import numpy as np import networkx as nx from scipy.stats import bootstrap import matplotlib.pyplot as plt class SystemicMemoryTest: """ Instrument minimal de détection de mémoire systémique. Aucun modèle, aucune hypothèse dynamique. """ def __init__(self, M, min_size=3, max_size=6): self.M = np.array(M, dtype=float) self.min_size = min_size self.max_size = max_size self.motifs = [] self.local_values = [] self.node_map = None # 1. Extraction de motifs fermés def extract_motifs(self): G = nx.from_numpy_array(self.M) raw = nx.cycle_basis(G) self.motifs = [m for m in raw if self.min_size