Toutes les autres familles de ce rayon cherchent à partir de zéro : un
backtracker creuse, un beam construit, une recherche locale peaufine, chacun ne
raisonnant qu'à partir des règles du puzzle et de la grille qu'il a sous les
yeux. Cette famille-ci procède autrement. Elle prend le corpus des grilles
fortes déjà trouvées, y lit de la structure, et réinjecte cette structure dans
une recherche sous forme de biais. Elle tient davantage de l'apprentissage par
imitation que de la conception d'algorithme de recherche : la question n'est pas
« quel est un bon coup » à partir de zéro, mais « qu'avaient tendance à faire les
grilles qui ont bien marqué, et cela peut-il être réutilisé ».
Les pages ci-dessous procèdent technique par technique. Chacune est réellement sa
propre méthode, si bien qu'elles ne partagent pas une même forme comme le font
les affineurs de recherche locale : un prior de position, un classement appris
des coups, un fouilleur d'anti-motifs et un rejeu de témoin partagent une thèse
mais pas un mécanisme. Pour embrasser tout le territoire d'un coup, commencez par
une carte de toutes les approches connues. Pour
les expériences exécutables qui incarnent ces techniques, avec leurs grilles et
leurs chiffres, voyez les
expériences d'apprentissage à partir des grilles.
Un signal appris aide lorsqu'il capture une structure réelle et transférable :
quelque chose de vrai des bonnes grilles qu'une recherche partant de zéro devrait
sinon redécouvrir par chance. Où chaque pièce a tendance à se placer, quelles
pièces aiment à se toucher, quelle demande rare une pièce rare est la seule à
pouvoir satisfaire. Câblée dans une recherche comme un biais léger, cette
structure porte de façon fiable une construction vers le haut de sa propre
fourchette.
La limite est ce qui fait de ceci une recherche plutôt qu'un sac d'astuces. Le
corpus dont ces signaux sont appris est lui-même sous-parfait : chaque grille
qu'il contient est bloquée quelque part sous 480. Un signal extrait du corpus
encode donc le plafond de la communauté autant que sa sagesse, et un signal qui
ne fait que réencoder le plateau sur lequel chaque grille forte est déjà coincée
ne relève rien. Poussez un prior appris, bon pour départager, jusque dans la
fonction objectif, et la recherche s'effondre, car elle se met à troquer l'arête
qu'elle a devant elle contre une intuition statistique. Le fil conducteur limpide
de toute cette famille : apprendre des grilles fortes vous fait atteindre le
plateau vite et de façon fiable, mais ne vous fait pas, à lui seul, le franchir.
Le plafond, c'est le mur de rigidité, et aucune
quantité de fouille de corpus ne le déplace.
- Priors de corpus en sont la forme
la plus simple : comptez où chaque pièce se place dans les grilles fortes, ou à
quelle fréquence une pièce satisfait une demande rare, et servez-vous du compte
comme critère de départage en construction. Les expériences
PRIOR et
LODESTONE.
- Ordonnancement appris des coups
classe les placements candidats selon plusieurs signaux appris à la fois, et les
laisse voter, de sorte qu'aucune intuition isolée ne mène la recherche dans la
même impasse. L'expérience
KEYRING.
- Fouille d'anti-motifs est
l'idée la plus subtile : tout accord entre grilles fortes n'est pas bon. Séparez
la structure réelle du piège partagé, et attaquez le piège. L'expérience
PALIMPSEST, qui a
atteint la meilleure grille de ce projet.
- Décodage de records reconstruit
exactement une grille record connue, pièce pour pièce, afin de retrouver
l'ingrédient qui manquait à une recherche ordinaire. La reproduction comme
preuve. L'expérience
REPLAY.
- Quand l'apprentissage s'effondre
est la synthèse sur le mode de défaillance : précisément quand un signal appris
cesse d'aider, pourquoi lui accorder trop de confiance ruine la recherche, et
pourquoi aucune de ces méthodes ne relève le plafond. Elle pose la limite de
toute la section : les signaux appris atteignent le plateau plus vite, mais aucun
ne le soulève.