feat(guards,#17380): regles de rendu math (delims/macros/$) + fixer dans le detecteur canonique

MyIA.AI.Notebooks/GameTheory/GameTheory-15e-Coalition-Power-SMT.ipynb

@@ -695,7 +695,7 @@
    "source": [
     "## 5. `UNSAT` prouve quoi ? `SAT` réfute quoi ?\n",
     "\n",
-    "Pour un nombre fixé de joueurs, on peut rendre chaque valeur coalitionnelle \\(v(S)\\) symbolique, imposer \\(v(\\varnothing)=0\\), \\(v(N)=1\\), la monotonie et des valeurs binaires. Ajouter la négation d'un axiome permet alors :\n",
+    "Pour un nombre fixé de joueurs, on peut rendre chaque valeur coalitionnelle $v(S)$ symbolique, imposer $v(\\varnothing)=0$, $v(N)=1$, la monotonie et des valeurs binaires. Ajouter la négation d'un axiome permet alors :\n",
     "\n",
     "- `UNSAT` : aucun jeu dans **cet espace borné** ne viole la propriété ;\n",
     "- `SAT` : le modèle retourné est un contre-exemple dans cet espace.\n",

MyIA.AI.Notebooks/IIT/IIT-01-IntroToPyPhi.ipynb

@@ -39,7 +39,7 @@
     "1. [Introduction à l'IIT](#sec1)  \n",
     "2. [Installation et importation de PyPhi](#sec2)  \n",
     "3. [Création d'un réseau simple (Network)](#sec3)  \n",
-    "4. [Définition d'un Subsystem et calcul de \\(\\Phi\\)](#sec4)  \n",
+    "4. [Définition d'un Subsystem et calcul de $\\Phi$](#sec4)  \n",
     "5. [Concepts, mécanismes, et structure cause-effet (CES)](#sec5)  \n",
     "6. [Exploration d'exemples avancés (macro, actual causation…)](#sec6)  \n",
     "7. [Ressources complémentaires](#sec7)\n",
@@ -52,13 +52,13 @@
     "**Objectif** : l'**Integrated Information Theory** (IIT), introduite par Giulio Tononi et collaborateurs, propose une mesure de la conscience à partir de la quantité d'information intégrée par un système. En pratique :\n",
     "\n",
     "- Un **système** (réseau de neurones, circuit logique, etc.) est représenté par une **Transition Probability Matrix (TPM)**.\n",
-    "- L'information intégrée est notée \\(\\Phi\\) (Phi). PyPhi calcule \\(\\Phi\\) pour des sous-systèmes et explore la structure causale (Cause-Effect Structure, ou *CES*).\n",
-    "- L'**objectif pédagogique** de ce notebook est de créer un petit réseau, de définir un état, et de calculer \\(\\Phi\\) pour différents sous-ensembles (subsystèmes).\n",
+    "- L'information intégrée est notée $\\Phi$ (Phi). PyPhi calcule $\\Phi$ pour des sous-systèmes et explore la structure causale (Cause-Effect Structure, ou *CES*).\n",
+    "- L'**objectif pédagogique** de ce notebook est de créer un petit réseau, de définir un état, et de calculer $\\Phi$ pour différents sous-ensembles (subsystèmes).\n",
     "\n",
     "### Objectifs du TP\n",
     "1. Comprendre la représentation d'un système dynamique discret via une TPM.\n",
     "2. Manipuler les objets de base de PyPhi : `Network`, `Subsystem`.\n",
-    "3. Calculer et interpréter la valeur \\(\\Phi\\) (degré d'irréductibilité).\n",
+    "3. Calculer et interpréter la valeur $\\Phi$ (degré d'irréductibilité).\n",
     "4. Explorer la structure causale (CES) d'un état donné.\n",
     "\n",
     "### Résumé des concepts clés\n",
@@ -67,7 +67,7 @@
     "| :--- | :--- | :--- |\n",
     "| **TPM** | Les règles du jeu. Comment le système évolue. | Les lois de la physique. |\n",
     "| **État** | La configuration actuelle (0 ou 1) des nœuds. | Une photo instantanée du cerveau. |\n",
-    "| **\\(\\Phi\\) (Big Phi)** | Le niveau d'intégration du système entier. | La solidité d'un nœud marin (tient-il tout seul ?). |\n",
+    "| **$\\Phi$ (Big Phi)** | Le niveau d'intégration du système entier. | La solidité d'un nœud marin (tient-il tout seul ?). |\n",
     "| **MIP** | Le point faible du système (Minimum Information Partition). | Le maillon faible d'une chaîne. |\n",
     "| **CES** | La forme géométrique de l'information intégrée. | La \"forme\" d'une pensée. |\n",
     "\n",
@@ -425,7 +425,7 @@
    },
    "source": [
     "<a id=\"sec4\"></a>\n",
-    "## 4. Définition d’un Subsystem et calcul de \\(\\Phi\\)\n",
+    "## 4. Définition d’un Subsystem et calcul de $\\Phi$\n",
     "\n",
     "### 4.1. Sous-système (Subsystem)\n",
     "\n",
@@ -434,7 +434,7 @@
     "2. Un **état** du réseau (ex. `(0, 0, 0)` pour `A=0, B=0, C=0`) ;\n",
     "3. Les indices de nœuds internes qu’on considère comme faisant partie du sous-système.\n",
     "\n",
-    "Ensuite, PyPhi peut calculer la valeur de \\(\\Phi\\) pour ce sous-système."
+    "Ensuite, PyPhi peut calculer la valeur de $\\Phi$ pour ce sous-système."
    ]
   },
   {
@@ -451,14 +451,14 @@
     "tags": []
    },
    "source": [
-    "### Le Calcul de \\(\\Phi\\) : Définition Intuitive\n",
+    "### Le Calcul de $\\Phi$ : Définition Intuitive\n",
     "\n",
-    "\\(\\Phi\\) mesure à quel point le système est \"plus que la somme de ses parties\".\n",
+    "$\\Phi$ mesure à quel point le système est \"plus que la somme de ses parties\".\n",
     "\n",
     "**Le calcul** : PyPhi essaie de couper le système en deux (une \"bipartition\") de toutes les manières possibles (A vs BC, B vs AC, etc.).\n",
     "- La coupe qui fait perdre le *moins* d'information est appelée la **Minimum Information Partition (MIP)**.\n",
-    "- \\(\\Phi\\) est la quantité d'information perdue au niveau de cette coupe la plus faible.\n",
-    "- Si \\(\\Phi > 0\\), le système est irréductible (conscient selon l'IIT).\n"
+    "- $\\Phi$ est la quantité d'information perdue au niveau de cette coupe la plus faible.\n",
+    "- Si $\\Phi > 0$, le système est irréductible (conscient selon l'IIT).\n"
    ]
   },
   {
@@ -703,7 +703,7 @@
     "tags": []
    },
    "source": [
-    "On peut également calculer \\\\(\\Phi\\\\) pour d'autres états accessibles:"
+    "On peut également calculer $\\Phi$ pour d'autres états accessibles:"
    ]
   },
   {
@@ -957,15 +957,15 @@
     "tags": []
    },
    "source": [
-    "### Interprétation : pourquoi ces trois états donnent-ils le même \\(\\Phi\\) ?\n",
+    "### Interprétation : pourquoi ces trois états donnent-ils le même $\\Phi$ ?\n",
     "\n",
-    "Vous venez de calculer \\(\\Phi\\) pour trois états distincts — (0,0,0), (0,1,1) et (1,1,0) — et les trois donnent **exactement la même valeur \\(\\Phi = 1.87500\\)**. Ce n'est ni une coïncidence numérique ni un bug de PyPhi : c'est une propriété profonde de la mesure.\n",
+    "Vous venez de calculer $\\Phi$ pour trois états distincts — (0,0,0), (0,1,1) et (1,1,0) — et les trois donnent **exactement la même valeur $\\Phi = 1.87500$**. Ce n'est ni une coïncidence numérique ni un bug de PyPhi : c'est une propriété profonde de la mesure.\n",
     "\n",
-    "**\\(\\Phi\\) ne dépend pas de l'état pris isolément, mais de la *structure cause-effet* (CES) du sous-système dans cet état.** Sur le réseau XOR canonique (déterministe), les trois états testés appartiennent à un même cycle de la dynamique, et ils engendrent des structures cause-effet identiques — mêmes mécanismes, mêmes purviews, mêmes petits \\(\\varphi\\) par distinction. Comme \\(\\Phi\\) est le minimum informationnel sur l'ensemble de cette structure (la coupe la plus faible du graphe cause-effet), et que la structure coïncide d'un état à l'autre, \\(\\Phi\\) coïncide aussi.\n",
+    "**$\\Phi$ ne dépend pas de l'état pris isolément, mais de la *structure cause-effet* (CES) du sous-système dans cet état.** Sur le réseau XOR canonique (déterministe), les trois états testés appartiennent à un même cycle de la dynamique, et ils engendrent des structures cause-effet identiques — mêmes mécanismes, mêmes purviews, mêmes petits $\\varphi$ par distinction. Comme $\\Phi$ est le minimum informationnel sur l'ensemble de cette structure (la coupe la plus faible du graphe cause-effet), et que la structure coïncide d'un état à l'autre, $\\Phi$ coïncide aussi.\n",
     "\n",
-    "**La leçon conceptuelle est essentielle** : \\(\\Phi\\) quantifie une propriété *intrinsèque au sous-système et à sa connectivité*, évaluée relativement à un état mais non réductible à lui seul. Deux états différents peuvent porter la même « expérience » informationnelle dès lors que leur structure cause-effet coïncide. C'est précisément ce qui distingue \\(\\Phi\\) d'une simple entropie de l'état ou d'un compte de corrélations : il capte l'**organisation causale**, pas la configuration instantanée.\n",
+    "**La leçon conceptuelle est essentielle** : $\\Phi$ quantifie une propriété *intrinsèque au sous-système et à sa connectivité*, évaluée relativement à un état mais non réductible à lui seul. Deux états différents peuvent porter la même « expérience » informationnelle dès lors que leur structure cause-effet coïncide. C'est précisément ce qui distingue $\\Phi$ d'une simple entropie de l'état ou d'un compte de corrélations : il capte l'**organisation causale**, pas la configuration instantanée.\n",
     "\n",
-    "> **À retenir** : sur un réseau *bruité* ou *asymétrique*, la structure cause-effet varierait d'un état à l'autre et \\(\\Phi\\) en différerait. L'invariance observée ici est la signature d'un réseau déterministe symétrique — elle disparaîtrait dès qu'on introduit du hasard ou une asymétrie dans la matrice de transition (TPM). Ce point sera réexploré au paragraphe suivant sur les sous-systèmes partiels."
+    "> **À retenir** : sur un réseau *bruité* ou *asymétrique*, la structure cause-effet varierait d'un état à l'autre et $\\Phi$ en différerait. L'invariance observée ici est la signature d'un réseau déterministe symétrique — elle disparaîtrait dès qu'on introduit du hasard ou une asymétrie dans la matrice de transition (TPM). Ce point sera réexploré au paragraphe suivant sur les sous-systèmes partiels."
    ]
   },
   {
@@ -1958,7 +1958,7 @@
    "source": [
     "### 5.1. Analyse d’un concept spécifique\n",
     "\n",
-    "Chaque concept est défini par un mécanisme (un ensemble de nœuds) et un purview (un ensemble de nœuds qui subissent ses effets ou le causent). Explorons le premier concept dans la CES, pour comprendre sa cause / effet et son petit phi (\\\\(\\\\varphi\\\\)).\n"
+    "Chaque concept est défini par un mécanisme (un ensemble de nœuds) et un purview (un ensemble de nœuds qui subissent ses effets ou le causent). Explorons le premier concept dans la CES, pour comprendre sa cause / effet et son petit phi ($\\\\varphi$).\n"
    ]
   },
   {
@@ -2377,7 +2377,7 @@
     "### 6.2 Macro-subsystems (coarse-graining, blackboxing)\n",
     "\n",
     "Le module `pyphi.macro` permet d'agréger des nœuds (coarse-grain) ou de blackboxer certains éléments. \n",
-    "On peut ainsi recalculer \\\\(\\Phi\\\\) à une échelle différente, ce qui rejoint l’idée de l’ICT qu’on peut analyser l’information intégrée à divers niveaux.\n",
+    "On peut ainsi recalculer $\\Phi$ à une échelle différente, ce qui rejoint l’idée de l’ICT qu’on peut analyser l’information intégrée à divers niveaux.\n",
     "\n"
    ]
   },

MyIA.AI.Notebooks/Search/Part4-Metaheuristics/MGS-07d-MichalewiczDixonPrice.ipynb

@@ -526,7 +526,7 @@
     "**Lecture corrigée (remplace la conclusion « la structure résiste »)** :\n",
     "\n",
     "- **Michalewicz — la MAX-projection ne lisse pas, elle granule.** La 2-D expose des\n",
-    "  transitions \\(m=10\\) tranchantes mais **rares** (`var(B)=9603.5` porte les bandes,\n",
+    "  transitions $m=10$ tranchantes mais **rares** (`var(B)=9603.5` porte les bandes,\n",
     "  `grad(R)=1.9` faible : les crêtes sont fines). En 30-D, la structure ne **s'estompe\n",
     "  pas** : `var(R)` monte (2101.8 → 3186.3 → 2742.6), `grad(R)` s'élève d'un ordre de\n",
     "  grandeur (1.9 → 26.1 → 41.5), et seule `var(B)` décroît (9603.5 → 3812.3 → 2148.2).\n",