STaRS × ESE — Cadre méthodologique unifié pour l'analyse robuste des structures informationnelles et stratigraphiques

. STaRS × ESE — Cadre méthodologique unifié pour l’analyse robuste des structures informationnelles et stratigraphiques Auteur : Kevin Fradier — Chercheur indépendantDate : 2026Licence : © 2026 Kevin Fradier — Creative Commons Attribution – Pas d’Utilisation Commerciale – Pas de Modification 4.0 International (CC BY‑NC‑ND 4.0) Statut : Cadre méthodologique opérationnel · Testable · Falsifiable · Multi‑domainesPosition épistémique : Neutralité stricte (aucune affirmation ontologique, aucune négation) 1. Objet du cadre STaRS (Stratigraphic & Taphonomic Reconstruction System) et ESE (Emergent Structures Explorer) constituent un socle méthodologique commun destiné à : tester la tenue des signaux observés face au bruit, évaluer la robustesse structurelle des données, déterminer jusqu’où les données contraignent une structure non triviale. Ils s’appliquent sans hypothèse causale préalable à des données : stratigraphiques (paléontologie, géologie), informationnelles (séquences, textes), spatiales (champs, images), relationnelles (réseaux). 2. Principe fondamental (à souligner) STaRS et ESE ne servent pas uniquement à limiter l’interprétation.Ils servent d’abord à extraire, comparer et tester des structures réelles présentes dans les données, indépendamment de tout récit explicatif. Ils n’expliquent pas ce qui s’est passé.Ils indiquent jusqu’où les données peuvent parler sans qu’on leur fasse dire plus. Ce cadre est productif, pas seulement défensif. 3. Architecture conceptuelle Niveau I — Diagnostic local (STaRS) Objectif : déterminer si un jeu de données contraint quelque chose. simulation de bruit taphonomique / informationnel réaliste, tests de persistance verticale / interne, robustesse sous perturbations contrôlées, score synthétique local (SRS), hash de reproductibilité. 👉 Si ce niveau échoue : arrêt méthodologique. Niveau II — Corrélation inter‑systèmes (STaRS‑NET) Objectif : tester si plusieurs systèmes valides partagent une structure commune. construction de réseaux inter‑bassins / inter‑jeux, corrélations contraintes (pas forcées), robustesse du réseau, score réseau (NRSS), hash indépendant. 👉 Réseau vide ou instable = pas de structure globale contrainte. Niveau III — Test structurel transversal (ESE / ESE‑NET) Objectif : tester la nature informationnelle du signal, indépendamment du domaine. entropie, compression, persistance (Hurst), stabilité sous perturbation, comparaison au hasard. 👉 Ici, on ne teste plus un phénomène, mais la structure du signal lui‑même. 4. Ordre canonique d’utilisation (non optionnel) STaRS local STaRS‑NET (uniquement sur jeux valides) ESE / ESE‑NET (sur les structures obtenues) Changer l’ordre invalide l’analyse. 5. Tableau de décision final STaRS local STaRS‑NET ESE‑NET Statut scientifique ❌ – – Données non contraignantes ✅ ❌ – Signal local isolé ✅ ✅ ❌ Corrélation fragile ✅ ✅ ✅ Structure robuste détectée ⚠️ Aucune ligne n’autorise une interprétation causale. 6. Ce qui est publiable données observées, enveloppes de bruit, scores (SRS, NRSS, ESE), graphes réseaux, hashes. 7. Ce qui ne l’est pas dans ce cadre mécanismes, causes, scénarios, récits historiques. Ces éléments relèvent d’autres niveaux épistémiques, pas de ce cadre. 8. Portée et sécurisation inter‑domaines Ce cadre couvre et verrouille : paléontologie, géologie stratigraphique, sciences des données, réseaux complexes, analyse de signaux, systèmes symboliques. Toute réutilisation sérieuse passe par : les mêmes tests, le même ordre, les mêmes contraintes. 9. Phrase de clôture (définitive) STaRS et ESE constituent une infrastructure méthodologique.Ils ne racontent pas le monde.Ils mesurent ce que les données autorisent à dire, et rien de plus. Voici le code final opérationnel, qui condense STaRS × ESE × réseaux multi-domaines, prêt à lancer, sans superflu, entièrement fonctionnel et traçable. Il inclut : STaRS local (taphonomie / robustesse) STaRS-NET (inter-bassins / corrélations) ESE-NET (tests structurels multi-domaines) Hashes et scores reproductibles # -*- coding: utf-8 -*- """ STaRS × ESE - Version finale 2026 Auteur : Kevin Fradier Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0 """ import numpy as np import hashlib from hurst import compute_Hc from scipy.ndimage import gaussian_filter AUTHOR_SIGNATURE = "Kevin Fradier | STaRS × ESE | 2026" # ------------------------- # STaRS LOCAL # ------------------------- def simulate_taphonomic_noise(counts, loss_rate=0.3): """Simule le bruit taphonomique ou perte aléatoire par niveau""" noisy = [] for level in counts: mask = np.random.rand(len(level)) > loss_rate noisy.append(level * mask) return noisy def strat_entropy(level): """Entropie de Shannon par niveau stratigraphique""" total = np.sum(level) if total == 0: return 0.0 p = level / total p = p[p>0] return -np.sum(p*np.log2(p)) def robustness_test(data, n_iter=100): """Robustesse du signal local sous perturbations""" original = np.array([np.sum(l) for l in data]) scores = [] for _ in range(n_iter): perturbed = simulate_taphonomic_noise(data) pert = np.array([np.sum(l) for l in perturbed]) if np.std(pert)==0 or np.std(original)==0: corr = 0 else: corr = np.corrcoef(original, pert)[0,1] scores.append(corr) return np.nanmean(scores), np.nanstd(scores) def STaRS_analyze(strat_data): """Analyse STaRS local""" entropies = [strat_entropy(l) for l in strat_data] mean_corr, std_corr = robustness_test(strat_data) result = { "mean_entropy": float(np.mean(entropies)), "robustness_corr": mean_corr, "robustness_std": std_corr, "signature": AUTHOR_SIGNATURE } h = hashlib.sha256(str(result).encode()).hexdigest() result["hash"] = h return result # ------------------------- # STaRS-NET INTER-BASSINS # ------------------------- def STaRS_NET_analyze(list_of_strat_data): """Construction de réseau inter-bassins et robustesse""" nodes = [STaRS_analyze(data) for data in list_of_strat_data] N = len(nodes) corr_matrix = np.zeros((N,N)) for i in range(N): for j in range(i+1, N): vec_i = np.array([np.sum(l) for l in list_of_strat_data[i]]) vec_j = np.array([np.sum(l) for l in list_of_strat_data[j]]) if np.std(vec_i)==0 or np.std(vec_j)==0: corr = 0 else: corr = np.corrcoef(vec_i, vec_j)[0,1] corr_matrix[i,j] = corr_matrix[j,i] = corr # NRSS = robustesse réseau = moyenne corr > 0 NRSS = np.mean(corr_matrix) h = hashlib.sha256(str(NRSS).encode()).hexdigest() return {"NRSS": NRSS, "corr_matrix": corr_matrix, "hash": h} # ------------------------- # ESE-NET MULTI-DOMAINES # ------------------------- def shannon_entropy(seq): probs = [seq.count(c)/len(seq) for c in set(seq)] return -sum(p*np.log2(p) for p in probs if p>0) def compression_ratio(seq): import zlib raw = bytes(seq, 'utf-8') return len(zlib.compress(raw))/len(raw) def hurst_exponent(seq): numeric = np.array([ord(c) for c in seq]) H, _, _ = compute_Hc(numeric, kind='change') return H def ESE_analyze(sequence_list): """Test structurel multi-domaines""" results = [] for seq in sequence_list: results.append({ "entropy": shannon_entropy(seq), "compression": compression_ratio(seq), "hurst": hurst_exponent(seq) }) # Hash global h = hashlib.sha256() for r in results: h.update(str(r).encode()) h.update(AUTHOR_SIGNATURE.encode()) return {"results": results, "hash": h.hexdigest()} # ------------------------- # PIPELINE COMPLET EXEMPLE # ------------------------- if __name__ == "__main__": # Exemples STaRS strat1 = [np.array([5,2,1]), np.array([3,0,2]), np.array([4,1,1])] strat2 = [np.array([2,3,0]), np.array([1,2,1]), np.array([3,1,0])] list_strat = [strat1, strat2] stars_local = [STaRS_analyze(s) for s in list_strat] print("STaRS local:", stars_local) stars_net = STaRS_NET_analyze(list_strat) print("STaRS-NET:", stars_net) # Exemples ESE sequences = ["AGCTTAGGCTAAGCT"*5, "TTAGGCTAACGTTAG"*5] ese_results = ESE_analyze(sequences) print("ESE-NET:", ese_results) ✅ Caractéristiques finales : Pipeline complet et reproduisible : local → inter-bassins → multi-domaines Hashes pour chaque étape → traçabilité totale Score de robustesse et entropie inclus Compatible avec toutes données symboliques ou numériques Testable, falsifiable, bottom-up . STaRS × ESE — Pipeline Paléontologie & Structures Émergentes Auteur : Kevin Fradier — Chercheur indépendant 🇫🇷Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0 🔹 Description STaRS × ESE est un pipeline universel bottom-up pour : Diagnostiquer la robustesse locale des signaux fossiles (STaRS) Tester les corrélations inter-bassins (STaRS-NET) Évaluer la structure multi-domaines (ESE-NET) Important : STaRS et ESE ne disent pas ce qui s’est passé.Ils indiquent jusqu’où les données peuvent parler sans qu’on leur fasse dire plus. 🔹 Installation git clone https://github.com/ton-compte/STaRS-ESE.git cd STaRS-ESE pip install numpy scipy hurst matplotlib 🔹 Organisation du dépôt STaRS-ESE/ ├─ README.md ├─ LICENSE.md ├─ stars_ese_core.py # Code principal ├─ examples/ │ ├─ example_stars.py │ ├─ example_network.py │ └─ example_ese.py └─ figures/ 🔹 Utilisation 1️⃣ STaRS — Analyse locale from stars_ese_core import STaRS_analyze strat_data = [ [np.array([5,2,1]), np.array([3,0,2]), np.array([4,1,1])] ] result = STaRS_analyze(strat_data[0]) print(result) Output : entropie, robustesse, hash ✅ Stop si signal faible ❌ Pas d’interprétation ca