Méthode de Monte Carlo
L’histoire de la méthode Monte Carlo débute dans le cadre singulier du projet Manhattan durant la Seconde Guerre mondiale. Les chercheurs de Los Alamos butaient sur des calculs de physique nucléaire d’une complexité inédite. Le manque d’outils adaptés stimula leur imagination mathématique.
Dès les années 1930, Enrico Fermi, physicien italien naturalisé américain en 1945, expérimenta quelques techniques d’échantillonnage statistique pour résoudre ses équations de neutronique. Ces balbutiements restèrent confidentiels, faute d’ordinateurs capables de traiter de grands volumes de calculs.
La véritable naissance de Monte Carlo survint en 1946. Stanislaw Ulam, mathématicien polonais, se remettait d’une maladie en jouant au solitaire. Une question le tarauda : comment calculer exactement les chances de gagner une partie ? L’idée lui vint de simuler un nombre colossal de parties pour obtenir une estimation statistique fiable. Cette intuition fulgurante rencontra l’enthousiasme de John von Neumann, qui programma les premières simulations sur l’ENIAC en 1947. Pour ces calculs, il créa une technique mathématique puissante de génération de nombres pseudo-aléatoires, baptisée middle-square digits, pour estimer des valeurs numériques et résoudre des problèmes complexes. Le nom « Monte Carlo » naquit d’une plaisanterie de Nicholas Metropolis, en clin d’œil à l’oncle d’Ulam, joueur compulsif au casino monégasque.
Entre 1946 et 1947, pendant une panne prolongée de l’ENIAC, Enrico Fermi conçut le FERMIAC, appareil mécanique étonnant capable de simuler la diffusion des neutrons selon le principe Monte Carlo. Cette invention témoigne de l’engouement immédiat des physiciens pour cette approche radicalement nouvelle.
Un bond conceptuel intervint en 1953 avec l’algorithme imaginé par Metropolis et son équipe, dont les physiciens Marshall et Augusta Mici Rosenbluth, ainsi qu’Edward Teller. Leur méthode exploitait les chaînes de Markov pour générer des échantillons suivant une distribution donnée et explorer des espaces complexes. En 1970, Wilfred Keith Hastings enrichit cette approche, aboutissant à l’algorithme Metropolis-Hastings, pilier actuel de la statistique computationnelle moderne.
La décennie 1980 vit fleurir des variantes inspirées. L’algorithme du recuit simulé, conçu par Kirkpatrick, Gelatt et Vecchi en 1983, adapta Monte Carlo à l’optimisation combinatoire en s’inspirant du refroidissement contrôlé des métaux. Un an plus tard, les frères Geman appliquèrent l’échantillonnage de Gibbs au traitement d’images, ouvrant de nouveaux horizons en vision artificielle.
Le début des années 1990 marqua la consécration des méthodes Monte Carlo par chaînes de Markov grâce aux travaux fondamentaux de Gelfand et Smith. Ces avancées bouleversèrent l’inférence bayésienne et transformèrent la pratique statistique quotidienne. Cette décennie foisonnante vit aussi émerger l’algorithme du saut réversible de Peter Green en 1995, qui autorisait l’exploration d’espaces de dimensions variables, ainsi que l’échantillonnage parfait de Propp et Wilson en 1996, garantissant des échantillons exactement distribués.
L’évolution de Monte Carlo illustre le dialogue fécond entre théorie et technologie. Des premiers calculateurs jusqu’aux supercalculateurs actuels, chaque bond de puissance a décuplé le potentiel de ces méthodes. Leurs champs d’application se sont diversifiés : physique statistique, chimie moléculaire, finance quantitative, apprentissage automatique, et infographie 3D avec le transport de lumière de Metropolis d’Eric Veach en 1997.
Ironie historique, cette technique initialement mise au point pour les armes nucléaires sert désormais la médecine moderne. Monte Carlo sert en radiothérapie pour simuler avec une précision inégalée les interactions entre rayonnements et tissus biologiques. Son impact scientifique colossal lui a valu d’être désigné comme l’un des dix algorithmes les plus décisifs du XXe siècle par la Society for Industrial and Applied Mathematics.