Ce framework vise à former des agents autonomes capables de prendre des décisions complexes en s'appuyant sur un raisonnement structurel par graphes, sans règles explicites codées en dur.
Les décisions émergent de la structure, pas des règles.
Au lieu de coder :
if error_rate > 0.5:
deploy = FalseNous construisons un graphe où les signaux convergent naturellement vers une décision.
Le raisonnement structurel utilise la topologie du graphe pour inférer des conclusions :
- Nœuds = faits, hypothèses, objectifs
- Arêtes = relations logiques (implication, causalité, contrainte)
- Propagation = les signaux se propagent le long des arêtes
- Convergence = plusieurs signaux convergent vers une décision
A (PROVEN) → B (UNCERTAIN) → Goal (UNCERTAIN)
Si A est PROVEN, la propagation peut rendre B plus certain, et ainsi atteindre le Goal.
En suivant ce curriculum, vous apprendrez :
- Comment structurer un problème en graphe
- Comment faire émerger des décisions sans règles explicites
- Comment évaluer un agent sur sa capacité à raisonner structurellement
- Comment appliquer le framework à de nouveaux domaines
- 00_introduction/ : Vous êtes ici
- 01_core_engine/ : Le socle technique
- 02_training_framework/ : Méthodologie d'entraînement
- 03_domains/ : Applications concrètes
- 04_visualization/ : Outils de visualisation
- 05_api/ : Interface REST
- 06_benchmark/ : Évaluation
- Lire
concepts.mdpour comprendre les concepts fondamentaux - Lire
theoretical_foundations.mdpour comprendre les fondements théoriques - Suivre
setup.mdpour installer l'environnement - Passer à
01_core_engine/pour découvrir le moteur
Ce moteur s'inspire de l'article "Breaking the Sorting Barrier for Directed Single-Source Shortest Paths" (Duan et al., arXiv:2504.17033v2, 2025).
Voir theoretical_foundations.md pour une explication détaillée de l'adaptation des concepts de l'article au raisonnement structurel.