fix(iit,#17183): serie ICT -- 5 conclusions cessaient de promettre des notebooks deja ecrits

MyIA.AI.Notebooks/IIT/ICT-Series/ICT-02-SelfSortingMorphogenesis-Python.ipynb

@@ -73,7 +73,7 @@
     "tags": []
    },
    "source": [
-    "## Repères IIT — sous-systèmes et structures cause-effet\n\n> Vocabulaire IIT nécessaire pour interpréter ICT-2 (self-sorting morphogenesis) en termes d'information intégrée. Pour Φ/TPM/partition (notions de base), voir [ICT-1](ICT-01-PhiTrajectories-Python.ipynb) § Repères IIT canoniques. Pour le texte fondateur, voir [ICT-0-Annexe](ICT-0-Annexe-IntegratedComplexityTheory.md) ($\\Phi_{\\text{dyn}}$). Source primaire : [IIT-1 — Intro to PyPhi](../IIT-01-IntroToPyPhi.ipynb) + [IIT-2 — Advanced Topics](../IIT-02-AdvancedTopics.ipynb).\n\nICT-1 calculait $\\Phi$ **état par état** sur le système entier. ICT-2 soulève une question plus fine : **quelles parties du tableau qui se trie sont causalement responsables de ce tri ?** Cela exige deux notions que ICT-1 n'introduisait pas :\n\n- **Sous-système (*subsystem*)** — un sous-ensemble $\\mathcal{S}' \\subseteq \\mathcal{S}$ des nœuds du système, avec sa propre TPM marginale (calculée en ignorant les nœuds hors $\\mathcal{S}'$). PyPhi représente un sous-système par un masque binaire sur les nœuds : par exemple `0110` sur un système à 4 nœuds = les nœuds 1 et 2 seulement. **Tout système $\\mathcal{S}$ a $2^N - 1$ sous-systèmes non vides** ; chaque sous-système a son propre $\\Phi_{\\mathrm{CE}}$.\n\n- **Information cause-effet ($\\Phi_{\\mathrm{CE}}$, *cause-effect information*)** — pour un sous-système $\\mathcal{S}'$ dans un état donné, c'est l'information que $\\mathcal{S}'$ génère *à la fois* vers le passé (ses **causes** : dans quelle mesure l'état passé de $\\mathcal{S}'$ est-il contraint par son propre mécanisme, au-dessus et au-delà du reste du système ?) *et* vers le futur (ses **effects** : dans quelle mesure l'état présent de $\\mathcal{S}'$ contraint-il son propre futur, au-dessus et au-delà du reste ?). La cause et l'effet sont des distributions de probabilités sur les états antérieurs/postérieurs ; $\\Phi_{\\mathrm{CE}}$ est la distance EMD entre le système entier et la partition MIP qui sépare $\\mathcal{S}'$ du reste.\n\n- **Partition d'un système $\\mathcal{S}$ en deux moitiés $\\mathcal{S}^L \\cup \\mathcal{S}^R$** — vue en ICT-1, c'est la brique de calcul de $\\Phi_{\\mathrm{CE}}$ : PyPhi balaie **toutes les bipartitions dirigées** du système (en plus des sous-systèmes candidats) et retient celle qui **minimise** la divergence entre le système entier et la somme de ses parties — c'est le **MIP** (*Minimum Information Partition*). Pour $N$ nœuds il y a $2^{N-1} - 1$ bipartitions dirigées à comparer (cf ICT-1 « Pourquoi 3 nœuds »).\n\n**Lecture IIT de ICT-2.** Le tableau qui se trie est un système $\\mathcal{S}$ à $N$ cellules. À chaque état $s_t$, le **tri en cours** est un certain motif (zones homogènes + frontière). La question IIT est : *quelle est la valeur de $\\Phi_{\\mathrm{CE}}$ du système $\\mathcal{S}$ dans cet état ?* Si $\\Phi_{\\mathrm{CE}} > 0$, le tableau est **causalement intégré** au-dessus de ses parties — la morphogenèse n'est pas un artefact local mais une structure globale qui contraint passé et futur. Si on bipartitionne en deux moitiés du tableau, on mesure l'information que chaque moitié génère *indépendamment* ; le MIP dit « la partition qui enlève le moins d'intégration possible » — c'est précisément la frontière morphologique. **Un tableau déjà trié a un $\\Phi_{\\mathrm{CE}}$ plus faible qu'un tableau en train de se trier** : une fois l'ordre établi, les cellules n'ont plus d'information à générer les unes sur les autres (leur état futur est fixé par la règle locale). Un tableau **chimerique** (cell 14-16) qui ne se trie pas, lui, conserve un $\\Phi_{\\mathrm{CE}}$ non trivial mais reste **piégé** dans un attracteur local — information présente, intégration sans progrès : c'est exactement le type de distinction que la triad IIT/ICT permet de poser.\n\nCe notebook, comme ICT-1, **n'exécute pas PyPhi** sur les tableaux (le code resterait intraitable pour $N > 5$). Il introduit les concepts pour que ICT-6 (Sorting-to-TPM bridge, à venir) puisse les opérationnaliser sur les simulations.\n"
+    "## Repères IIT — sous-systèmes et structures cause-effet\n\n> Vocabulaire IIT nécessaire pour interpréter ICT-2 (self-sorting morphogenesis) en termes d'information intégrée. Pour Φ/TPM/partition (notions de base), voir [ICT-1](ICT-01-PhiTrajectories-Python.ipynb) § Repères IIT canoniques. Pour le texte fondateur, voir [ICT-0-Annexe](ICT-0-Annexe-IntegratedComplexityTheory.md) ($\\Phi_{\\text{dyn}}$). Source primaire : [IIT-1 — Intro to PyPhi](../IIT-01-IntroToPyPhi.ipynb) + [IIT-2 — Advanced Topics](../IIT-02-AdvancedTopics.ipynb).\n\nICT-1 calculait $\\Phi$ **état par état** sur le système entier. ICT-2 soulève une question plus fine : **quelles parties du tableau qui se trie sont causalement responsables de ce tri ?** Cela exige deux notions que ICT-1 n'introduisait pas :\n\n- **Sous-système (*subsystem*)** — un sous-ensemble $\\mathcal{S}' \\subseteq \\mathcal{S}$ des nœuds du système, avec sa propre TPM marginale (calculée en ignorant les nœuds hors $\\mathcal{S}'$). PyPhi représente un sous-système par un masque binaire sur les nœuds : par exemple `0110` sur un système à 4 nœuds = les nœuds 1 et 2 seulement. **Tout système $\\mathcal{S}$ a $2^N - 1$ sous-systèmes non vides** ; chaque sous-système a son propre $\\Phi_{\\mathrm{CE}}$.\n\n- **Information cause-effet ($\\Phi_{\\mathrm{CE}}$, *cause-effect information*)** — pour un sous-système $\\mathcal{S}'$ dans un état donné, c'est l'information que $\\mathcal{S}'$ génère *à la fois* vers le passé (ses **causes** : dans quelle mesure l'état passé de $\\mathcal{S}'$ est-il contraint par son propre mécanisme, au-dessus et au-delà du reste du système ?) *et* vers le futur (ses **effects** : dans quelle mesure l'état présent de $\\mathcal{S}'$ contraint-il son propre futur, au-dessus et au-delà du reste ?). La cause et l'effet sont des distributions de probabilités sur les états antérieurs/postérieurs ; $\\Phi_{\\mathrm{CE}}$ est la distance EMD entre le système entier et la partition MIP qui sépare $\\mathcal{S}'$ du reste.\n\n- **Partition d'un système $\\mathcal{S}$ en deux moitiés $\\mathcal{S}^L \\cup \\mathcal{S}^R$** — vue en ICT-1, c'est la brique de calcul de $\\Phi_{\\mathrm{CE}}$ : PyPhi balaie **toutes les bipartitions dirigées** du système (en plus des sous-systèmes candidats) et retient celle qui **minimise** la divergence entre le système entier et la somme de ses parties — c'est le **MIP** (*Minimum Information Partition*). Pour $N$ nœuds il y a $2^{N-1} - 1$ bipartitions dirigées à comparer (cf ICT-1 « Pourquoi 3 nœuds »).\n\n**Lecture IIT de ICT-2.** Le tableau qui se trie est un système $\\mathcal{S}$ à $N$ cellules. À chaque état $s_t$, le **tri en cours** est un certain motif (zones homogènes + frontière). La question IIT est : *quelle est la valeur de $\\Phi_{\\mathrm{CE}}$ du système $\\mathcal{S}$ dans cet état ?* Si $\\Phi_{\\mathrm{CE}} > 0$, le tableau est **causalement intégré** au-dessus de ses parties — la morphogenèse n'est pas un artefact local mais une structure globale qui contraint passé et futur. Si on bipartitionne en deux moitiés du tableau, on mesure l'information que chaque moitié génère *indépendamment* ; le MIP dit « la partition qui enlève le moins d'intégration possible » — c'est précisément la frontière morphologique. **Un tableau déjà trié a un $\\Phi_{\\mathrm{CE}}$ plus faible qu'un tableau en train de se trier** : une fois l'ordre établi, les cellules n'ont plus d'information à générer les unes sur les autres (leur état futur est fixé par la règle locale). Un tableau **chimerique** (cell 14-16) qui ne se trie pas, lui, conserve un $\\Phi_{\\mathrm{CE}}$ non trivial mais reste **piégé** dans un attracteur local — information présente, intégration sans progrès : c'est exactement le type de distinction que la triad IIT/ICT permet de poser.\n\nCe notebook, comme ICT-1, **n'exécute pas PyPhi** sur les tableaux (le code resterait intraitable pour $N > 5$). Il introduit les concepts pour que [ICT-6 (Sorting-to-TPM bridge)](ICT-06-SortingToTPM-CausalEmergence-Python.ipynb) puisse les opérationnaliser sur les simulations.\n"
    ],
    "id": "cell-741b486e"
   },
@@ -832,9 +832,9 @@
     "\n",
     "### Ponts avec le reste du cours\n",
     "- **[IIT-1 — Intro to PyPhi](../IIT-01-IntroToPyPhi.ipynb)** et **[IIT-2 Advanced Topics](../IIT-02-AdvancedTopics.ipynb)** : les structures causales *à un instant* (TPM, Φ, CES) dont ICT étudie l'évolution.\n",
-    "- **ICT-1 — Φ-trajectories** (à venir) : appliquer ces idées de trajectoire à Φ lui-même.\n",
-    "- **ICT-4 — Chimeric arrays & emergent aggregation** (à venir) : le jeu de règles plus riche qui reproduit l'agrégation « kin » du papier.\n",
-    "- **ICT-6 — Sorting-to-TPM bridge** (à venir) : transformer ces simulations en chaînes de Markov, puis en TPM analysables par PyPhi et la *causal emergence*.\n",
+    "- **[ICT-1 — Φ-trajectories](ICT-01-PhiTrajectories-Python.ipynb)** : appliquer ces idées de trajectoire à Φ lui-même.\n",
+    "- **[ICT-4 — Chimeric arrays & emergent aggregation](ICT-04-ChimericArraysKinAggregation-Python.ipynb)** : le jeu de règles plus riche qui reproduit l'agrégation « kin » du papier.\n",
+    "- **[ICT-6 — Sorting-to-TPM bridge](ICT-06-SortingToTPM-CausalEmergence-Python.ipynb)** : transformer ces simulations en chaînes de Markov, puis en TPM analysables par PyPhi et la *causal emergence*.\n",
     "\n",
     "### Références\n",
     "- Zhang, Goldstein & Levin, *Classical sorting algorithms as a model of morphogenesis*, Adaptive Behavior, 2025 — [arXiv:2401.05375](https://arxiv.org/abs/2401.05375).\n",

MyIA.AI.Notebooks/IIT/ICT-Series/ICT-04-ChimericArraysKinAggregation-Python.ipynb

@@ -951,7 +951,7 @@
     "### Ponts avec le reste de la série\n",
     "- **[ICT-2 — Self-sorting morphogenesis](ICT-02-SelfSortingMorphogenesis-Python.ipynb)** : le modèle minimal, ses compétences, et l'impasse que ce notebook lève.\n",
     "- **[ICT-5 — Émergence causale](ICT-05-CausalEmergence-Python.ipynb)** & **[ICT-6 — Pont tri → TPM](ICT-06-SortingToTPM-CausalEmergence-Python.ipynb)** : la même idée — un ordre plus lisible dans les degrés de liberté du niveau inférieur — formalisée comme *causal emergence* (Hoel).\n",
-    "- **ICT-7 — Signatures scale-free & fractales** (à venir) : les motifs multi-échelles que ces dynamiques engendrent.\n",
+    "- **[ICT-7 — Signatures scale-free & fractales](ICT-07-ScaleFreeSignatures-Python.ipynb)** : les motifs multi-échelles que ces dynamiques engendrent.\n",
     "\n",
     "### Références\n",
     "- Zhang, Goldstein & Levin, *Classical sorting algorithms as a model of morphogenesis*, Adaptive Behavior, 2025 — [arXiv:2401.05375](https://arxiv.org/abs/2401.05375).\n",

MyIA.AI.Notebooks/IIT/ICT-Series/ICT-05-CausalEmergence-Python.ipynb

@@ -931,7 +931,7 @@
     "\n",
     "- [ICT-1 — Trajectoires de $\\Phi$](ICT-01-PhiTrajectories-Python.ipynb) : comment $\\Phi$ varie le long\n",
     "  d'une trajectoire d'états (à échelle fixe).\n",
-    "- **ICT-6 — Pont tri → TPM → PyPhi** (à venir) : construire la TPM d'une simulation de\n",
+    "- **[ICT-6 — Pont tri → TPM → PyPhi](ICT-06-SortingToTPM-CausalEmergence-Python.ipynb)** : construire la TPM d'une simulation de\n",
     "  [tri-morphogenèse](ICT-02-SelfSortingMorphogenesis-Python.ipynb) puis lui appliquer cette analyse\n",
     "  d'émergence — relier les deux piliers de la série.\n",
     "- [ICT-0 — Cadrage](ICT-0-Framing.md) : place de ce notebook dans la feuille de route.\n",

MyIA.AI.Notebooks/IIT/ICT-Series/ICT-24-WorkspaceIgnition.ipynb

@@ -482,7 +482,7 @@
     "\n",
     "- Ni que le workspace global n'existe pas dans le modèle (nous mesurons un substrat, une couche, un opérateur d'accès qui n'est pas celui d'Anthropic).\n",
     "- Ni que l'intégration et l'accès global soient indépendants *en général* (l'observationnel n'exclut pas une relation causale que seul le Gate 24 pourrait tester).\n",
-    "- Ni que la lecture SAE égale la lecture J-lens : le fil J-lens (issue #5681) est une opérationnalisation distincte, à venir.\n",
+    "- Ni que la lecture SAE égale la lecture J-lens : le fil J-lens (issue #5681) est une opérationnalisation distincte — livrée dans [ICT-SAE-JLens — Tête-à-tête](ICT-SAE-JLens-TeteATete.ipynb).\n",
     "\n",
     "Le verdict observationnel revient au **Gate 24** (phase 2, GPU) : si le clamp des features-workspace *n'effondre pas* les gains crédités plus qu'un clamp aléatoire, la dissociation sera confirmée comme **corrélationnelle et non causale** — une leçon méthodologique de premier ordre, à écrire telle quelle.\n",
     "\n"