État mesuré au 2026-10-05 (vague #13906, lane myia-po-2025:CoursIA-2) — Pli 1 livré et mergé : PR #18791 (2026-10-02) a créé 3.4d-Fourier-Features-Biais-Spectral-Python.ipynb (27 cellules, 14 code toutes exécutées avec outputs, confrontation aux critères de la sous-issue #18783 postée en preuve sur celle-ci) + mise à jour du README de la série. La sous-issue #18783 reste ouverte à ce jour — sa fermeture (ai-01) déverrouille le Pli 2 (R-nerf), seul prochain pli créationnable, la mécanique séquentielle étant le principe de cette origami. Aucun autre pli n'a de sous-issue ouverte. L'addendum R-gsplat (note user du 30/09, Pli 3 révisé) vit dans le commentaire du 30/09 ci-dessous et reste d'actualité. Le reste du corps, écrit le 30/09, est inchangé ci-dessous.

Epic origami — coord-based neural representations & few-step generative models : distillation NeRF / Fourier features / learnit / IMM / TVM / FGD-adaptatif

Mission user 2026-09-30, prolongement du geste de #18220 (EPIC origami lacunes pédagogiques, pli 3 ligne Vision | 3D (nuages de points, NeRF, splatting) | confirmé absent). Le user a proposé 8 ressources (3 articles + 5 dépôts GitHub) qui résonnent avec trois séries du dépôt — GenAI Image/3D (lacune 3D confirmée), ML foundations (positional encoding, NTK, optimisation fonctionnelle), neurosymbolique (spectral bias, fonctionnelle différentiable, intégration dans Lean) — et demande un issue oregami à plis séquentiels, c'est-à-dire des sous-issues qui ne se déverrouillent qu'à complétion du pli précédent.

Sources (PDF hors dépôt, gisement bibliographique G:\Mon Drive\MyIA\IA\Bibliographie IA)

Ce qui résonne (mesure datedu 2026-09-30)

1. GenAI / 3D — la lacune confirmée par #18220

#18220 pli 3, ligne Vision | 3D (nuages de points, NeRF, splatting) | confirmé absent. L'audit est corroboré par :

• Aucun notebook GenAI/Image/3D/ ni GenAI/3D/ n'existe (Glob "**/*3D*.ipynb" retourne 0 résultat hors 3D-printed hardware).
• Aucun notebook NeRF, Gaussian Splatting, ni IMM/TVM n'existe dans le corpus public.
• Aucun import de nerfacc, gsplat, instant-ngp, spark, imm, tvm dans le code source.

Les ressources R-nerf, R-spark, R-imm, R-tvm couvrent directement cette lacune. Le geste fondateur NeRF (2003.08934) est la brique 1 ; les Gaussian Splats (R-spark, Spark + 3D Gaussian Splatting paper 2023) sont la brique 2 (état de l'art actuel pour view synthesis temps réel) ; IMM (2503.07565) et TVM (2511.19797) ferment la boucle « génération sans diffusion » qui peut être enseignée avant les modèles plus lourds.

2. ML foundations — le pont spectral

R-ffn et R-learnit sont des fondations que les notebooks ML actuels (3.0, 3.2, 3.6) survolent :

• Spectral bias des MLP (R-ffn §3) : la découverte qu'un MLP standard ne peut pas apprendre de hautes fréquences en basse dimension est absente de notre série. C'est pourtant la raison pour laquelle NeRF a besoin de positional encoding, et la raison pour laquelle les Transformers utilisent RoPE / ALiBi / sinusoidales (cf. [ML/DeepLearning] Variantes Transformer modernes from scratch : ViT, Decoder-Only, GQA #16058).
• Meta-learning d'initialisations (R-learnit) : la technique learn an init, then fine-tune per signal est une brique fondamentale pour traiter des tâches à instance unique (NeRF, optimisation d'un réseau par scène) — c'est un pont direct avec la série In-Context Learning (GenEFT : théorie effective de la généralisation — statique et dynamique #16743 GenEFT) et la série Fourier.
• FGD-adaptatif (R-fgd) : la descente de gradient dans l'espace des fonctions, avec garanties de convergence, est l'outil mathématique qui sous-tend à la fois la paramétrisation NeRF et les méthodes variationnelles en neurosymbolique.

3. Neurosymbolique — la différentiation fonctionnelle

R-fgd est l'article le plus neurosymbolique du lot :

• La preuve de convergence (smooth loss → stationary point ; smooth + Polyak-Lojasiewicz → global minimizer) rejoint directement la veine Lean ICT ([ICT] Cartographie de la tresse (Thom/Grothendieck/Schmidhuber/Friston) + hiérarchie de sobriété Dissociation→Score→Classe→Stack→Gerbe + deux ponts Conway #7738) : on peut formaliser en Lean 4 la convergence de FGD, comme contrepartie de la formalisation T11 GenEFT dans le Tegmark Epic (GenEFT : théorie effective de la généralisation — statique et dynamique #16743).
• L'« adaptative representation » est l'analogue fonctionnel de l'attention adaptative dans les Transformers : choisir la base dans laquelle on optimise.

Pourquoi un origami et pas une simple liste d'issues

Ces ressources se déverrouillent en cascade : R-ffn est un pré-requis conceptuel pour R-nerf (spectral bias → positional encoding → NeRF), qui est un pré-requis pour R-spark (Gaussian splats héritent de NeRF), qui ouvre la voie à R-imm / R-tvm (génération sans diffusion dans un latent NeRF-like). R-learnit est transverse (méta-apprentissage applicable à chaque étape), et R-fgd est un approfondissement théorique qui peut être pioché indépendamment à la fin.

Plis (sous-issues créées séquentiellement à complétion)

Pli 1 — R-ffn : Spectral bias & Fourier Features [ML foundations, socle]

Pré-requis théorique sans lequel R-nerf ne se comprend pas. Crée le vocabulaire (NTK, bandwidth, Fourier feature mapping) qui sera réutilisé dans R-nerf et R-learnit. S'insère naturellement dans MyIA.AI.Notebooks/ML/DataScienceWithAgents/03-DeepLearning/ à côté de 3.0 (théorie de l'information / Fourier) ou en extension d'un notebook sur les Transformers / positional encoding.

Livrable : notebook 3.x-Fourier-Features-Spectral-Bias.ipynb exécutable, avec :

• Démonstration empirique : un MLP tanh échoue à fitter sin(20πx) sur [-1, 1] (spectral bias) — expérience en 20 lignes PyTorch, figure matplotlib.
• Théorie NTK : la bande passante du kernel tangent est nulle aux hautes fréquences → démontre le biais.
• Le mapping γ(x) = [cos(2πBx), sin(2πBx)] avec B ~ N(0, σ²) libère la bande passante : courbe d'apprentissage qui descend en 100× moins d'itérations.
• Choix de σ : grid search sur un toy 2D image regression, montrer la transition « trop petit = spectral bias, trop grand = aliasing ».
• Pont avec NeRF : le même mapping γ(x, y, z) → (cos, sin) à 5D est exactement ce que NeRF utilise.
• Pont avec Transformers : la même intuition explique pourquoi positional encoding sinusoïdal (3.4) marche et pourquoi RoPE est nécessaire pour les longues séquences ([ML/DeepLearning] Variantes Transformer modernes from scratch : ViT, Decoder-Only, GQA #16058).

Verdict SOTA attendu : SOTA-OK (paper publié, code MIT, démo Colab disponible) ou RECOVERABLE-LOCAL (PyTorch + matplotlib suffisent, pas de GPU requis).

Ancrage corpus : bmild/nerf/tiny_nerf.ipynb et tancik/fourier-feature-networks/Demo.ipynb (lecture critique, pas fork).

Pli 2 — R-nerf : Neural Radiance Fields [GenAI 3D, fondation]

Le geste fondateur de la 3D neural rendering. Crée la série MyIA.AI.Notebooks/GenAI/3D/ (nouveau sous-dossier) avec deux notebooks : un pédagogique from-scratch (MLP + volume rendering), un critique (limitations : training long, dépendance aux poses COLMAP).

Livrable :

• GenAI/3D/3D-01-NeRF-From-Scratch.ipynb : réimplémentation pédagogique du pipeline NeRF (200 lignes PyTorch) sur une scène jouet (toy 2D scene ou low-res Blender Lego subset), avec sortie matplotlib des novel views. Pas un fork de bmild/nerf — un digest commenté.
• GenAI/3D/3D-02-NeRF-Critic.ipynb : les 5 limitations explicites (training long, aliasing aux hautes fréquences sans Fourier features, dépendance aux poses précises, aliasing au unbounding, volume rendering coûteux), chacune adossée à une figure.
• Évaluation comparative : 1 scène Blender (Lego, 100×100 low-res), MSE entre novel views rendues et ground truth — handout sur le compromis qualité/ temps/itérations.

Verdict SOTA attendu : SOTA-OK pour la lecture, RECOVERABLE-LOCAL pour l'exécution (nécessite GPU recommandé mais CPU jouable pour 100×100 toy scene).

Pré-condition : Pli 1 livré (le spectral bias est dans le notebook Pli 1, référencé depuis Pli 2).

Pli 3 — R-spark : Gaussian Splats + Physics [GenAI 3D, état de l'art]

Successeur industriel de NeRF : les Gaussian Splats sont le SOTA 2024-2026 pour la novel view synthesis temps réel, et Spark (la lib JS derrière bmild/spark-physics) est une manière d'intégrer splats + physique dans une démo interactive. Cette brique est ce qui rend la 3D enseignable sans GPU serveur : la démo tourne dans un navigateur.

Livrable :

• GenAI/3D/3D-03-Gaussian-Splats-Concepts.ipynb : la transition NeRF → Gaussian Splatting (Kerbl et al. 2023) expliquée visuellement : du volume continu (NeRF) au nuage de gaussiennes 3D explicites (Splats). Notebooks matplotlib qui montrent la même scène dans les deux représentations.
• GenAI/3D/3D-04-Spark-Physics-Demo.md (markdown + capture d'écran) : la démo bmild/spark-physics (tavern) disséquée — comment Spark rend les splats, comment Rapier gère la physique, comment Three.js orchestre le tout. Pas une réimplémentation, une lecture annotée.
• Acceptance demo : capture vidéo ou GIF hébergé hors dépôt de la tavern spark-physics modifiée (changement de gravité, ajout d'un mesh statique) → preuve de compréhension.

Verdict SOTA attendu : SOTA-OK pour la lecture ; INTRINSIC pour la démo Spark côté navigateur (Node + Spark JS, hors du périmètre Python/Jupyter — à documenter honnêtement comme voie annexe).

Pré-condition : Pli 2 livré (NeRF sert de référence pour expliquer la transition).

Pli 4 — R-learnit : Meta-learning pour coordonnées [ML + 3D, transverse]

Transverse : learnit s'applique à toute tâche « fit un MLP à une fonction ℝ^d → ℝ^k avec peu d'observations », ce qui inclut NeRF, image regression, audio synthesis, etc. Ce pli peut être pioché par n'importe quelle lane ML.

Livrable :

• ML/DataScienceWithAgents/03-DeepLearning/3.x-Learned-Initializations-MAML.ipynb : réimplémentation pédagogique du MAML (Finn et al. 2017, 5e référence dans R-learnit §2) sur une tâche jouet (fit 1D signal), puis application à un cas 2D (image regression from few pixels) avec un learned_init appris sur une classe (ex : visages CelebA subset).
• Pont avec NeRF (Pli 2) : la même technique learn_init_per_class réduit le temps d'optimisation NeRF de ~10× sur une classe (Tancik §4.2) — démonstration chiffrée si le temps le permet.
• Pont avec In-Context Learning (GenEFT : théorie effective de la généralisation — statique et dynamique #16743) : l'initiation apprise est une forme de meta-learning qui partage la même structure inductive que GenEFT.

Verdict SOTA attendu : SOTA-OK (code tancik/learnit MIT, démo Colab).

Pré-condition : aucune (peut être pioché indépendamment) — mais l'utilité pédagogique est maximale si Pli 2 est livré.

Pli 5 — R-imm + R-tvm : Few-step generative models [GenAI Image, post-diffusion]

IMM (2503.07565) et TVM (2511.19797) sont deux modèles génératifs sans diffusion qui atteignent le SOTA en peu de steps (1-NFE pour TVM). Ils résonnent avec notre série GenAI/Image/ et prolongent #18582 (BitcoinRegimeGate-QC distill) — mais surtout, ils sont la frontière de la génération 2025-2026 et un notebook pédagogique à leur sujet est hautement différenciant par rapport au corpus public.

Livrable :

• GenAI/Image/05-IMM-Inductive-Moment-Matching.ipynb : la théorie (un seul moment, pas une chaîne de Markov), implémentation from-scratch (un MLP conditional + une loss de moment matching, 100 lignes), démo sur CIFAR-10 toy subset (10 classes, 32×32).
• GenAI/Image/06-TVM-Terminal-Velocity-Matching.ipynb : la généralisation (TVM régularise au terminal time, pas à l'initial time), comparaison avec flow matching standard sur un toy 2D toy (mixture of gaussians → mixture of gaussians).
• Tableau récapitulatif : flow matching vs diffusion vs IMM vs TVM, sur les axes (1) nombre de NFEs, (2) qualité (FID), (3) contraintes Lipschitz, (4) compatibilité avec DiT.

Verdict SOTA attendu : SOTA-OK (paper + code officiels publiés, conda env fourni) ; RECOVERABLE-MACHINE pour l'exécution (GPU recommandé, routeur vers lane GPU si dispo).

Pré-condition : aucune — peut être pioché indépendamment. Mais la résonance est maximale si le notebook flow matching (s'il existe) est déjà livré.

Pli 6 — R-fgd : Functional Gradient Descent adaptatif [ML + neurosymbolique]

L'article le plus récent (juin 2026) et le plus neurosymbolique. La convergence prouvée (smooth + PL → global minimizer) est formalisable en Lean 4, ce qui crée un pont avec la série Lean ICT (#7738) et le Tegmark Epic (#16752 T11 GenEFT-preuves-Lean).

Livrable :

• ML/DataScienceWithAgents/04-Regression-et-Optimisation/4.x-FGD-Adaptive-Representations.ipynb : théorie de FGD, comparaison empirique avec SGD sur réseau fixe (toy regression 1D), ablation sur l'adaptation de représentation (fixed vs adaptive).
• Si la lane Lean est servie : MyIA.AI.Notebooks/Lean/Lean-XX-FGD-Convergence-Proof.lean : preuve de la convergence sous PL en Lean 4 (réutilise Mathlib HasGradient + GradientDescent ; contrepartie de Preuves Lean de la théorie effective : R02 Props 1-2, R06 Théorème 1, R10 cercle C₇ #16752).

Verdict SOTA attendu : SOTA-OK (paper + théorie propre). Lean : SOTA-OK à vérifier (Mathlib 4 a-t-il PolyakLojasiewicz ?).

Pré-condition : aucune. Mais le pli neurosymbolique (Lean) n'a de sens que si la série Lean ICT est active.

Ancrage corpus et intersections

• EPIC origami : lacunes pédagogiques vérifiées — dispositifs pour l'apprenant d'abord, puis contenus confirmés absents #18220 pli 3 : ce Epic prolonge directement la ligne Vision | 3D (nuages de points, NeRF, *splatting*) | confirmé absent (vérification audit 2026-09-28). À cocher « couvert » à complétion des Plis 1-3.
• Epic : distillation du corpus Tegmark — physique de l'apprentissage, géométrie du latent, IA prouvable, MUH #16741 Epic Tegmark : T6 « Géométrie des concepts SAE » partage l'intuition spectrale (R-ffn) et la géométrie du latent (R-imm / R-tvm). À croiser dans T6 et T11.
• [ML/DeepLearning] Variantes Transformer modernes from scratch : ViT, Decoder-Only, GQA #16058 ViT : R-ffn (positional encoding) est une brique pré-Transformer. À référencer depuis le notebook RoPE.
• GenEFT : théorie effective de la généralisation — statique et dynamique #16743 GenEFT (T2 Tegmark Epic) : R-learnit est un parent proche du meta-learning appliqué à la généralisation. À croiser avec T2.
• Preuves Lean de la théorie effective : R02 Props 1-2, R06 Théorème 1, R10 cercle C₇ #16752 T11 Lean GenEFT : R-fgd a une convergence PL → preuve formelle Lean 4. Pont avec T11.
• EPIC origami : lacunes pédagogiques vérifiées — dispositifs pour l'apprenant d'abord, puis contenus confirmés absents #18220 pli 3 « diffusion » : la ligne GAN et VAE d'image *from scratch*, ControlNet, évaluation (FID) | à vérifier est distincte de Pli 5 mais partage les FID/IS comme métriques.

Non-distillations consignées (pour ne pas ré-envisager)

1. Plis GPU-only : les scènes Blender haute résolution, les modèles IMM/TVM à 256×256 ou 512×512 — hors périmètre pédagogique CPU. À router vers lane GPU avec verdict RECOVERABLE-MACHINE.
2. Spark côté serveur : la démo Tavern tourne en navigateur (Node + Three.js + Rapier WASM), pas en Python. Pas une réimplémentation Python, juste une lecture annotée + capture.
3. NeRF original complet (Llff + COLMAP + scènes réelles) : trop d'infrastructure externe (COLMAP installé, poses SfM). À ne pas viser dans le périmètre Pli 2 — restons sur Blender synthétique low-res.
4. TVM à 1-NFE ImageNet 512×512 : SOTA mais hors scope (nécessite 8×H100 + jours d'entraînement).
5. FGD sans approximation : c'est l'objet de l'article, on ne le « démontre » pas en notebook — on illustre la version avec approximation adaptative.
6. learnit appliqué à NeRF haute résolution : paper §4.2, mais sort du périmètre Pli 4 (qui reste pédagogique).

Règles de livraison (pour les lanes qui piochent)

• Séquentialité stricte : Pli N+1 ne s'ouvre qu'après merge de Pli N (vérification par gh pr list --state merged --search "<pli keyword>" --since 30d). Coordonnateur : annoncer la disponibilité dans [DISPATCH→inbox] quand un pli est livré.
• C.1 strict : pas d'erreur volontaire dans les notebooks d'exercice (mêmes règles que la série ML standard).
• C.2 strict : notebooks commités AVEC outputs (papermill run end-to-end). Les Plis 2-3 (3D) peuvent nécessiter RECOVERABLE-MACHINE ; dans ce cas, le notebook porte les outputs d'une exécution GPU et la voie CPU est documentée comme sous-mode limité.
• Anti-régression Lean (Pli 6 branche Lean) : pas de remplacement de preuves par sorry ; suivre .claude/rules/anti-regression.md.
• Tag Grain: sur le PR de livraison, pas sur l'issue.
• Chaque pli cite ses sources (slugs + § + chemins GDrive + sha8) — les PDF restent au gisement, jamais committés.

Matrice pli × ressource

État actuel

• Pli 1 : prêt à ouvrir. Aucune pré-condition.
• Pli 2 : attend Pli 1.
• Pli 3 : attend Pli 2.
• Pli 4 : peut être pioché en parallèle par n'importe quelle lane ML (transverse).
• Pli 5 : peut être pioché en parallèle par lane GPU.
• Pli 6 : peut être pioché en parallèle par lane ML ou Lean.

Liens transverses à ouvrir (si pertinent)

• Lien SL-14 (Symbolic Learning) : le Pli 1 (spectral bias) rejoint SL-14 (AI Feynman 2.0) sur l'intuition « fonction cible = combinaison de sin/cos/Gaussiennes → Fourier basis est optimale ». Cellule de pont possible.
• Lien GT (Game Theory) : le Pli 4 (meta-learning) rejoint GT-04c (Nash existence via optimisation) sur le thème « optimisation sur l'espace des fonctions ».
• Lien ICT-36/37 (F-Lens) : le Pli 1 rejoint la F-Lens sur le diagnostic spectral des features latentes. Pont avec Géométrie des concepts SAE : galaxy, cristaux, dense — sur le harnais Qwen du dépôt #16747 T6 SAE.
• Lien QuantConnect : Pli 5 (TVM few-step generation) rejoint le pipeline QC distillation (distill(qc,#11698): Bitcoin regime gate QQQ/SHY (21195 publi, Iyer 2022) -- port + backtest OOS #18576) sur le thème « modèle génératif à 1-NFE pour market simulation » — veille, pas une livraison ferme.

Annexe — dépendances externes

• torch (PyTorch ≥ 2.0) — déjà installé dans toutes les lanes.
• numpy, matplotlib — stdlib.
• imageio, configargparse (R-nerf si on suit la voie originale) — stdlib + pip.
• colmap (SfM) — non requis dans le périmètre (cf. non-distillation Ajout du notebook TP #3).
• cuda (GPU) — optionnel, recommandé Plis 2-3-5 scènes larges.
• Node.js 18+ + Spark (npm) — Pli 3 démo Tavern (cf. INTRINSIC navigateur).

🤖 Generated with Claude Code