Le fil conducteur de tous les travaux
La modélisation concentrique : comprendre avant de calculer
Au centre, l'humain et sa question ; au cœur, un modèle que l'on comprend ; autour, tous les outils, l'IA comprise. On n'ajoute de la complexité que si elle apporte un gain mesurable.
En bref
- Cyril Voyant est physicien et directeur de recherche à Mines Paris – PSL (O.I.E.) ; il a aussi exercé vingt ans comme physicien médical en radiothérapie.
- Ses travaux couvrent la prévision solaire et énergétique, l'évaluation des prévisions, la radiobiologie et les interfaces entre modèles de langage et codes scientifiques.
- Une même méthode relie tous ces domaines, appelée ici modélisation concentrique : calculer directement quand le lien est connu, monter l'échelle de la complexité seulement si nécessaire, garder l'humain au centre et les outils en périphérie.
- Chaque page de ces sites indique lequel des cinq principes ci-dessous elle illustre.
Une méthode, tous les domaines : l'échelle de la complexité
Une méthode, tous les domaines
Cyril Voyant travaille sur des questions très différentes : la dose d'un traitement de radiothérapie, la réponse d'un cancer de la thyroïde à l'iode radioactif, la production d'une centrale solaire, le mix électrique d'une île, la consommation d'un tunnel routier, une demande écrite en langage courant. La médecine, l'énergie et le langage sont traités de la même façon. Le domaine change ; la méthode, non.
Commencer par l'approche directe
Quand le lien entre les entrées et les sorties est connu, on le calcule. L'équivalence de dose radiobiologique suit un modèle explicite (LQL-Equiv) ; un modèle compartimental décrit la cinétique de l'iode radioactif dans le cancer de la thyroïde ; quand aucune mesure n'existe, la consommation d'un tunnel est simulée à partir de ce que l'on sait (Tunnel Load Simulator). Avant de prévoir un signal, on décrit ce qui, en lui, est prévisible (sCV et F).
Monter l'échelle de la complexité seulement si nécessaire
Si l'approche directe ne suffit pas, on monte une marche à la fois : une référence simple (la persistance), une référence structurée (BLEND, CLIPER, ARTU), un modèle statistique, une machine à apprentissage frugale (ELM), et seulement ensuite les réseaux profonds ou les modèles de fondation. Chaque marche n'est gardée que si elle bat la précédente sur le même protocole, ce que mesurent NICE et les bancs d'essai hors échantillon. Pour la thyroïde, l'étape suivante ajoute un ELM là où le modèle compartimental ne suffit pas ; en prévision satellite, un ELM par maille bat les modèles profonds lisant tout le champ avec mille fois moins de paramètres ; pour le mix électrique corse, un ELM apprend les liens entre sources qu'aucune équation ne donne.
Les modèles de langage : un outil sur l'échelle, pas son sommet
Les modèles de langage sont utilisés et utiles : ils lisent une demande écrite en langage courant. Ils ne remplacent pas un modèle validé. Dans WebSemantic, un modèle de langage relie la demande aux entrées d'un code validé, et le code calcule chaque nombre.
La confiance se démontre
Quel que soit le domaine, le résultat est évalué avec des métriques adaptées à la question (NICE, l'indice γ temporel), publié avec son code, ses données et ses limites, et archivé avec un DOI. C'est le sens du cadre RTVACOS : la recherche doit être trouvée, jugée crédible et réutilisée.
Le fil. En médecine, en énergie comme pour le langage : calculer directement quand le lien est connu ; sinon monter l'échelle de la complexité une marche à la fois, et seulement tant qu'elle paie ; garder l'humain au centre.
Les cinq principes
L'humain au centre
Une prévision ou un calcul servent une décision humaine : un médecin, un exploitant de réseau, un ingénieur. La question et la responsabilité restent humaines.
Dans les travaux : Vingt ans de radiothérapie clinique, où chaque dose calculée engageait un patient ; des prévisions conçues pour l'exploitation des réseaux insulaires.
Le modèle au cœur
Comprendre d'abord : physique, structure du signal, statistique. Calculer directement quand le lien entre entrées et sorties est connu ; laisser la machine l'apprendre quand il ne l'est pas.
Dans les travaux : Équivalence de dose radiobiologique calculée directement (LQL-Equiv) ; variabilité comprise avant de prévoir (sCV et F) ; structure du signal exploitée (BLEND).
La complexité seulement si elle paie
Aucun a priori sur la méthode : on commence simple, et on ne monte que si, et seulement autant que, c'est nécessaire. Chaque marche — persistance, référence structurée, modèle linéaire, machine à apprentissage extrême, réseau profond — doit battre la précédente sur le même protocole. Plus simple n'est souvent pas pire, et parfois mieux.
Dans les travaux : Erreurs rapportées à la persistance (NICE) ; références simples et exigeantes (BLEND, ARTU) ; un ELM par maille qui bat les modèles profonds lisant tout le champ avec mille fois moins de paramètres (étude satellite) ; bancs d'essai frugaux.
Tous les outils, en périphérie
L'IA : indispensable dans la boîte à outils, jamais obligatoire dans la solution. L'apprentissage automatique, l'apprentissage profond et les modèles de langage sont précieux et utilisés ; ils restent des outils autour d'un cœur compris et validé : un modèle de langage peut préparer un calcul, jamais le deviner.
Dans les travaux : Apprentissage multi-sorties quand les liens sont inconnus (MIMO-ELM), comparé aux LSTM, U-Net et modèles de fondation ; modèles de langage qui relient le texte aux entrées de codes validés (WebSemantic).
La confiance se démontre
Évaluer avec des métriques qui correspondent à la question ; publier le code, les données et les limites ; permettre la réutilisation.
Dans les travaux : L'indice γ temporel, venu du contrôle des doses en radiothérapie ; l'audit public et la correction de BLEND ; codes ouverts avec DOI et archives Software Heritage ; le cadre RTVACOS sur la rigueur, la transparence, la visibilité et l'adoption.
Les preuves, argument par argument
Chaque page de ces sites est un argument de cette histoire. Voici ce que chacune montre.
Quand le lien est connu, on le calcule directement
L'approche directe est le premier choix dans tous les domaines : elle est exacte, explicable et ne demande pas de données d'apprentissage.
- LQL-Equiv : équivalence de dose radiobiologique (BED, EQD2, NTCP, TCP) calculée à partir du modèle linéaire-quadratique-linéaire, vérifiée contre la version MATLAB de 2014 sur 4 438 schémas.
- Iode radioactif et cancer thyroïdien métastatique : un modèle compartimental de la décroissance de l'activité, de la croissance tumorale et de la cinétique de la thyroglobuline (Scientific Reports, 2026).
- Tunnel Load Simulator : aucune mesure n'existe : la consommation est simulée à partir de la géométrie, du trafic, de la ventilation et de l'éclairage — une année au pas de 10 minutes en environ 150 ms, avec enveloppes P10–P90.
- sCV et F : la variabilité et la prévisibilité d'un site, décrites avant d'ajuster le moindre modèle.
Sinon, on laisse la machine apprendre — frugalement
L'apprentissage automatique sert là où aucune équation ne relie les entrées et les sorties, en commençant par l'outil le plus léger qui suffit.
- MIMO-ELM : un apprentissage simple, parcimonieux et frugal : une machine à apprentissage extrême prévoit sept signaux du réseau corse à la fois ; à une heure, nRMSE 0,179 pour le solaire et 0,051 pour le thermique, entraînement en forme fermée en quelques secondes, devant un LSTM réglé avec un budget réaliste.
- PV_ELM_pred : persistance, BLEND, autorégression et 14 variantes d'ELM sur les mêmes découpages, paramètres comptés à côté de l'erreur.
- Thyroïde, étape suivante : un ELM est ajouté là où le modèle compartimental ne suffit pas (travail en cours).
- Réduction de dimension : l'entrée n'est compressée que si la compression sert la prévision.
Monter seulement si cela paie
Aucun a priori sur la méthode : on commence simple, et on monte si, et seulement si, c'est nécessaire. Chaque marche doit battre la précédente sur le même protocole ; la plupart du temps on s'arrête tôt, et le modèle plus simple n'est pas seulement aussi bon : il est parfois meilleur.
- Prévoir sans modèle de ciel clair : retirer le modèle de ciel clair simplifie la chaîne de prévision, et l'ELM fait aussi bien ou mieux qu'un ARMA avec ciel clair McClear et que la régression quantile, en déterministe comme en probabiliste (Solar Energy 294, 2025) : plus simple n'est pas pire, et parfois mieux.
- Combien d'espace : un ELM qui lit sa propre maille (nRMSE 0,308) bat le même ELM lisant tout le champ (0,355) avec mille fois moins de paramètres, et bat aussi U-Net (0,343) et LSTM (0,326).
- BLEND et CLIPER : des références de persistance fondées sur la structure cyclostationnaire du signal, difficiles à battre avant tout modèle entraîné.
- ARTU et persistance stochastique : des références d'ordre deux et de ciel clair, calculées à la main.
- Désaisonnalisation : la structure saisonnière n'est retirée que si cela améliore la prévision.
Mesurer ce qu'un modèle apporte
Un modèle se juge contre une référence et avec des tolérances adaptées à l'usage, jamais sur une erreur brute seule.
- NICE : l'erreur divisée par celle de la persistance : 1 signifie « pas mieux que la persistance ».
- Indice γ temporel : une prévision jugée avec des tolérances explicites en espace, en temps et en intensité, méthode venue du contrôle des doses en radiothérapie.
- BLEND v1.1.1 : un audit public et la correction du code ouvert, avec des résultats hors échantillon.
Les modèles de langage : un outil, pas la solution
L'IA : indispensable dans la boîte à outils, jamais obligatoire dans la solution.
- WebSemantic : laissé seul, un modèle de langage comble les manques en devinant, ce qui a changé les résultats jusqu'à un facteur 2,6 selon les interprétations plausibles ; ici il relie seulement les mots aux entrées d'un code validé, qui calcule chaque nombre.
La confiance se démontre, la réutilisation se prépare
Code, données et limites sont publiés, archivés et citables, pour que le travail soit trouvé, jugé crédible et réutilisé.
- Excellence scientifique : le cadre RTVACOS (rigueur, transparence, visibilité, adoption) et la tribune sur la recherche à l'ère de la saturation.
- Méthodes et codes : dépôts ouverts avec DOI Zenodo et archives Software Heritage, un guide par méthode.
Tous les travaux d'un coup d'œil
Biographie courte
Cyril Voyant est physicien et directeur de recherche à Mines Paris – PSL (O.I.E.). Après vingt ans de physique médicale en radiothérapie, il travaille sur la prévision solaire et énergétique, l'évaluation des prévisions et l'IA frugale. Sa démarche : comprendre d'abord par un modèle, n'ajouter de la complexité que si elle paie, garder l'humain, et non l'outil, au centre.