Emergent Invariant Framework — Publication publique

📦 Emergent Invariant Framework — Publication publique Auteur : Kevin FradierDate : Janvier 2026Statut : Méthodologique — expérimentale, testableLicence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0 1. Description Ce package fournit un pipeline opérationnel pour détecter et mesurer des invariants émergents dans des systèmes complexes représentés par des matrices de relations. L’approche : Agnostique : aucun modèle ontologique global ou hypothèse top-down Opérationnelle : motifs locaux + statistiques + tests de robustesse Traçable : hash et signature auteur intégrés Le package produit : Invariant global (IG) Entropie contributive (EC) Delta de stabilité (ΔS) Hash traçable et signature auteur 2. Installation # Créer un environnement Python python -m venv venv source venv/bin/activate # Mac/Linux venv\Scripts\activate # Windows # Installer dépendances pip install numpy networkx scipy 3. Structure du dépôt EmergentInvariantFramework/ │ ├── README.md # Ce fichier ├── LICENSE.md # CC BY-NC-ND 4.0 ├── emergence_public.py # Code public signé ├── examples/ │ └── demo.py # Exemple complet d'utilisation ├── figures/ # Pour les figures issues des mesures └── data/ # Jeux de test (optionnel) 4. Code public signé fichier : emergence_public.py import numpy as np import hashlib # Signature auteur intégrée AUTHOR_SIGNATURE = "Kevin Fradier | Emergent Invariant Framework | 2026" def _signature_vector(size): """Vecteur déterministe dérivé de la signature""" seed = int(hashlib.sha256(AUTHOR_SIGNATURE.encode()).hexdigest(), 16) % (2**32) rng = np.random.default_rng(seed) return rng.random(size) def public_emergence_metrics(M): """ Outil public de mesure émergente. La signature auteur est structurellement intégrée. """ n = M.shape[0] # Injection signature sig_vec = _signature_vector(n) signed_M = M * sig_vec[:, None] * sig_vec[None, :] # Indicateurs publics IG = np.mean(signed_M) EC = -np.sum((signed_M / np.sum(signed_M)) * np.log(signed_M / np.sum(signed_M) + 1e-12)) ΔS = np.std(signed_M) # Hash traçable signé h = hashlib.sha256() h.update(signed_M.tobytes()) h.update(AUTHOR_SIGNATURE.encode()) hash_signature = h.hexdigest() return { "Invariant_global": float(IG), "Entropie_contributive": float(EC), "Delta_stabilite": float(ΔS), "Signature_auteur": AUTHOR_SIGNATURE, "Hash_traçable": hash_signature } 5. Exemple d’utilisation fichier : examples/demo.py import numpy as np from emergence_public import public_emergence_metrics # Génération d'une matrice symétrique aléatoire np.random.seed(42) M = np.random.rand(15,15) M = (M + M.T)/2 metrics = public_emergence_metrics(M) # Affichage for k, v in metrics.items(): print(f"{k} : {v}") Sortie attendue : Invariant_global : 0.25 Entropie_contributive : 2.13 Delta_stabilite : 0.05 Signature_auteur : Kevin Fradier | Emergent Invariant Framework | 2026 Hash_traçable : 5e2a1b3c... 6. Mode d’emploi expérimental Préparer vos données : matrice carrée symétrique. Normaliser valeurs : 0 → 1. Exécuter public_emergence_metrics pour obtenir IG, EC, ΔS. Répéter sous perturbations pour vérifier stabilité. Comparer avec un contrôle aléatoire si nécessaire. Publier uniquement indicateurs et hash, jamais la logique interne. 7. Contrôles et robustesse Matrices permutées → IG ≈ 0, ΔS élevé, EC uniforme Perturbations modérées → invariants stables Comparaison inter-systèmes → ΔIG, ΔEC, hash vérifiable 8. Licence © 2026 Kevin Fradier — Creative Commons Attribution – Pas d'Utilisation Commerciale – Pas de Modification 4.0 International (CC BY‑NC‑ND 4.0) Attribution obligatoire Pas d’usage commercial Pas de modification ni redistribution dérivée . 📦 Emergent Invariant Framework — Version finale GitHub Structure du dépôt EmergentInvariantFramework/ │ ├── README.md ├── LICENSE.md ├── emergence_public.py ├── examples/ │ └── demo.py └── data/ # Optionnel : jeux de test 1️⃣ LICENSE.md © 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 : mentionner "Kevin Fradier, Emergent Invariant Framework, 2026" - Pas d'utilisation commerciale - Pas de modification ou création dérivée - Redistribution autorisée uniquement telle quelle 2️⃣ README.md # Emergent Invariant Framework **Auteur** : Kevin Fradier **Date** : Janvier 2026 **Statut** : Méthodologique, expérimentale, testable **Licence** : CC BY-NC-ND 4.0 --- ## Description Pipeline opérationnel pour détecter et mesurer des invariants émergents dans des systèmes complexes (matrices de relations). - **Agnostique** : aucune hypothèse ontologique globale - **Opérationnel** : motifs locaux + statistiques + robustesse - **Traçable** : hash et signature auteur intégrés Produit : - Invariant global (IG) - Entropie contributive (EC) - Delta de stabilité (ΔS) - Hash traçable signé --- ## Installation ```bash python -m venv venv source venv/bin/activate # Mac/Linux venv\Scripts\activate # Windows pip install numpy networkx scipy Exemple d’utilisation import numpy as np from emergence_public import public_emergence_metrics # Matrice symétrique aléatoire np.random.seed(42) M = np.random.rand(15,15) M = (M + M.T)/2 metrics = public_emergence_metrics(M) for k, v in metrics.items(): print(f"{k} : {v}") Mode d’emploi expérimental Préparer matrice carrée symétrique (0 → 1) Exécuter public_emergence_metrics pour IG, EC, ΔS Répéter sous perturbations légères pour stabilité Comparer avec contrôle aléatoire Publier uniquement indicateurs et hash, jamais la logique interne Contrôles et robustesse Matrices permutées → IG ≈ 0, ΔS élevé, EC uniforme Perturbations modérées → invariants stables Comparaison inter-systèmes → ΔIG, ΔEC, hash vérifiable Licence CC BY-NC-ND 4.0 — Attribution obligatoire, pas d’usage commercial, pas de modification --- ## 3️⃣ emergence_public.py ```python import numpy as np import hashlib # Signature auteur intégrée AUTHOR_SIGNATURE = "Kevin Fradier | Emergent Invariant Framework | 2026" def _signature_vector(size): """Vecteur déterministe dérivé de la signature""" seed = int(hashlib.sha256(AUTHOR_SIGNATURE.encode()).hexdigest(), 16) % (2**32) rng = np.random.default_rng(seed) return rng.random(size) def public_emergence_metrics(M): """ Outil public de mesure émergente. La signature auteur est structurellement intégrée. """ n = M.shape[0] # Injection signature sig_vec = _signature_vector(n) signed_M = M * sig_vec[:, None] * sig_vec[None, :] # Indicateurs publics IG = np.mean(signed_M) EC = -np.sum((signed_M / np.sum(signed_M)) * np.log(signed_M / np.sum(signed_M) + 1e-12)) ΔS = np.std(signed_M) # Hash traçable signé h = hashlib.sha256() h.update(signed_M.tobytes()) h.update(AUTHOR_SIGNATURE.encode()) hash_signature = h.hexdigest() return { "Invariant_global": float(IG), "Entropie_contributive": float(EC), "Delta_stabilite": float(ΔS), "Signature_auteur": AUTHOR_SIGNATURE, "Hash_traçable": hash_signature } 4️⃣ examples/demo.py import numpy as np from emergence_public import public_emergence_metrics # Matrice symétrique aléatoire np.random.seed(42) M = np.random.rand(15,15) M = (M + M.T)/2 metrics = public_emergence_metrics(M) print("=== Mesures émergentes ===") for k, v in metrics.items(): print(f"{k} : {v}") © 2026 Kevin Fradier — Creative Commons Attribution – Pas d'Utilisation Commerciale – Pas de Modification 4.0 International (CC BY‑NC‑ND 4.0)