. 🔒 MANIFESTE UNIFIÉ — ÉTOILES × ESE (2026) Auteur : Kevin Fradier — Chercheur indépendant 🇫🇷 Licence : CC BY‑NC‑ND 4.0 Statut : Publication méthodologique, universelle, testable, falsifiable Position épistémique : Neutralité stricte (ni affirmation, ni négation ontologique) 1️⃣ Principe fondamental Stars et ESE ne disent pas ce qui s'est passé. Mais ce n'est pas leur seule fonction : ils fournissent un cadre universel, bottom-up, testable et falsifiable pour détecter, quantifier et visualiser toute structure mesurable dans les données. Ils indiquent jusqu'où les données peuvent parler sans qu'on leur fasse dire plus. Mots-clés méthodologiques : Bottom-up | Reproductible | Falsifiable | Multi-domaines | Robustesse | Signature traçable 2️⃣ Champs d'application Domaine Type de données Module STaRS / ESE Paléontologie Colonnes fossiles, abondances, datations STaRS, STaRS-NET, STaRS-TIME, STaRS-EXT Stratigraphie Séries stratigraphiques, lithologie STaRS, STaRS-NET Écologie / Réseaux Réseaux trophiques, corrélations bassins STaRS-NET, ESE-NET Astro / Physique Cartes RM, champs magn. ESE, ESE-NET Textuel / Symbolique Textes, journaux, séquences ESE, ESE-TEXTE Combinaisons multi-domaines Séries mixtes, corrélations inter-domaines Couplage ÉTOILES × ESE, ESE-NET Principe unique : la méthodologie reste identique, seuls les modules spécifiques varient. 3️⃣ Ordre d'exécution canonique STaRS (diagnostic local) Mesurer la robustesse locale (SRS) Vérifie si le signal tient sous bruit taphonomique / bruit local Génère un hash de reproductibilité Règle : si STaRS échoue → toutes les étapes suivantes sont annulées pour ce bassin ou unité. STaRS-NET (corrélation inter-unités / inter-bassins) Construit le réseau de corrélations entre unités valides NRSS et robustesse réseau Hash de reproductibilité réseau Résultat : Réseau quasi vide → pas de structure globale contrainte Réseau stable → structure inter-bassins non triviale ESE-NET (structure de test transversale) Analyser la stabilité du réseau global Signature moyenne, perturbations contrôlées, comparaison au hasard Détecter les motifs non triviaux 4️⃣ Tableau de décision unifié STaRS local STaRS-NET ESE-NET Statut scientifique ❌ – – Données non soumises ✅ ❌ – Signal local non corrélé ✅ ✅ ❌ Corrélation fragile ✅ ✅ ✅ Structure robuste détectée ⚠️ Important : aucune ligne n'autorise une interprétation causale, historique, climatique ou métaphysique. 5️⃣ Publications et partages autorisés Courbes associées / séries stratigraphiques Enveloppes de bruit / simulations Graphes réseaux / corrélations inter-domaines Scores et indices (SRS, NRSS, ESE) Hachages pour la reproductibilité Interdit : Mécanismes / causes Narration / scénarios historiques Revendications sur le climat, l'extinction ou la biodiversité 6️⃣ Extensions possibles (applications, pas fondation) STaRS-TIME → incertitude datation, tests de persistance temporelle STaRS-EXT → tests d'artefacts d'extinctions de masse ESE-TEXT → textes et séquences symboliques Couplage STaRS × ESE → analyses inter-domaines Ces extensions sont strictement des cas d'application et doivent rester dans le cadre protocolaire. 7️⃣ Avantages du protocole universel Multi-domaines → fossiles, astro, réseaux, textes Bottom-up → aucune hypothèse globale imposée Falsifiable et testable → bruit de référence, perturbations contrôlées Reproductible → graine et hasch Immunité critique maximale → aucune interprétation narrative possible Infrastructure méthodologique → permet à la communauté de reproduire, comparer et valider 8️⃣ Conclusion finale (clôture méthodologique) Stars et ESE ne disent pas ce qui s'est passé. Ils fournissent un cadre bottom-up, universel, testable et falsifiable pour mesurer ce qui tient structurellement dans n'importe quel système produisant de l'information. Ils indiquent jusqu'où les données peuvent parler sans qu'on leur fasse dire plus. Tout ajout futur (nouvelles données, modules, extensions) doit s'insérer dans ce protocole central, sinon il est invalide. 💡 Résumé ultime en 1 phrase : STaRS et ESE ne sont pas des histoires, ce sont des instruments pour savoir ce que les données peuvent réellement soutenir. """ STaRS × ESE Consolidated Toolkit — 2026 Auteur : Kevin Fradier — Chercheur indépendant 🇫🇷 Licence : CC BY‑NC‑ND 4.0 Statut : Outil opérationnel universel pour détection et validation de structures émergentes """ import numpy as np import hashlib from scipy.ndimage import gaussian_filter from sklearn.linear_model import LinearRegression from hurst import compute_Hc # ----------------------------- # SIGNATURE & GRAINE UNIVERSELLE # ----------------------------- AUTHOR_SIGNATURE = "Kevin Fradier | STaRS-ESE | 2026" SEED = int(hashlib.sha256(AUTHOR_SIGNATURE.encode()).hexdigest(),16) % (2**32) rng = np.random.default_rng(SEED) # ----------------------------- # MODULE UTILE : HASH # ----------------------------- def compute_hash(result_dict): h = hashlib.sha256() h.update(str(result_dict).encode()) h.update(AUTHOR_SIGNATURE.encode()) return h.hexdigest() # ----------------------------- # STaRS — LOCAL # ----------------------------- def simulate_taphonomic_noise(counts, loss_rate=0.3): noisy = [] for level in counts: mask = rng.random(len(level)) > loss_rate noisy.append(level * mask) return noisy def strat_entropy(level): level_sum = np.sum(level) if level_sum == 0: return 0.0 p = level / level_sum p = p[p>0] return -np.sum(p*np.log2(p)) def robustness_test(strat_data, n_iter=100, loss_rate=0.3): original = np.array([np.sum(l) for l in strat_data]) scores = [] for _ in range(n_iter): perturbed = simulate_taphonomic_noise(strat_data, loss_rate) pert = np.array([np.sum(l) for l in perturbed]) if np.std(original)==0 or np.std(pert)==0: scores.append(0) else: corr = np.corrcoef(original, pert)[0,1] scores.append(corr) return np.nanmean(scores), np.nanstd(scores) def STaRS_local(strat_data): entropies = [strat_entropy(l) for l in strat_data] mean_corr, std_corr = robustness_test(strat_data) result = { "mean_entropy": float(np.mean(entropies)), "robustness_corr": mean_corr, "robustness_std": std_corr } result["hash"] = compute_hash(result) return result # ----------------------------- # STaRS-NET — INTER-BASSINS # ----------------------------- def build_inter_basin_network(basin_metrics): """ basin_metrics: liste de dict { 'robustness_corr': float, ... } Retourne : matrice de corrélation inter-bassins """ values = np.array([b["robustness_corr"] for b in basin_metrics]) n = len(values) corr_matrix = np.zeros((n,n)) for i in range(n): for j in range(n): corr_matrix[i,j] = 1 - abs(values[i]-values[j]) # simple similarité return corr_matrix def NRSS(corr_matrix, threshold=0.5): """ Network Robustness Structural Score """ n = corr_matrix.shape[0] links = np.sum(corr_matrix >= threshold) max_links = n*n return links/max_links def STaRS_NET(basin_metrics): corr_matrix = build_inter_basin_network(basin_metrics) score = NRSS(corr_matrix) result = { "network_score": score, "corr_matrix": corr_matrix.tolist() } result["hash"] = compute_hash(result) return result # ----------------------------- # ESE — LOCAL # ----------------------------- def shannon_entropy(seq): probs = [seq.count(c)/len(seq) for c in set(seq)] return -sum(p*np.log2(p) for p in probs if p>0) def compression_ratio(seq): import zlib raw = bytes(seq, 'utf-8') return len(zlib.compress(raw))/len(raw) def hurst_exponent(seq): numeric = np.array([ord(c) for c in seq]) H, _, _ = compute_Hc(numeric, kind='change') return H def spatial_field_analysis(field, sigma_corr=3): field_corr = gaussian_filter(field, sigma=sigma_corr) fft2 = np.fft.fftshift(np.fft.fft2(field_corr)) power = np.abs(fft2)**2 return field_corr, power def radial_power_spectrum(power): N = power.shape[0] kx, ky = np.meshgrid(np.fft.fftfreq(N), np.fft.fftfreq(N)) k = np.sqrt(kx**2 + ky**2) k_flat, p_flat = k.flatten(), power.flatten() bins = np.linspace(0, np.max(k), 50) radial_power = np.array([p_flat[(k_flat>=bins[i]) & (k_flat