Une réduction systématique qui mappe une description à petite échelle vers une description à plus grande échelle en moyennant, en regroupant ou en intégrant les degrés de liberté microscopiques pour produire des variables et une dynamique effectives valables à l'échelle choisie.

Principe

Choisir des variables lentes ou pertinentes et éliminer les degrés de liberté rapides ou non pertinents par projection, moyennage ou renormalisation ; la transformation doit préserver les invariants clés (lois de conservation, symétries) tout en produisant des interactions effectives, éventuellement stochastiques et avec mémoire.

Démonstration

Moyennage par blocs (block-spin) sur un réseau qui remplace de nombreux spins microscopiques par un spin grossier et engendre des couplages renormalisés ; projeter la dynamique moléculaire sur des champs de densité et de moment pour obtenir une hydrodynamique continue avec coefficients de transport ; utiliser la formalisation Mori–Zwanzig pour dériver noyaux de mémoire et bruit après élimination des modes rapides.

Mauvaise application

Moyennage sans préserver les quantités conservées ou les symétries, choisir une échelle de moyennage qui efface des microstructures essentielles, ou traiter le modèle coarse-grainé comme exact en oubliant le bruit, la mémoire ou la dépendance à l'échelle introduits.

Conséquence

Une description effective de dimension inférieure qui réduit le coût de calcul et met en évidence la physique pertinente à l'échelle choisie ; introduit typiquement des paramètres renormalisés, de l'irréversibilité, des termes stochastiques et une validité prédictive limitée en dehors de l'échelle de coarse-graining.

Inversion

Fine-graining ou tentatives de reconstruction visant à récupérer des détails microscopiques à partir de données grossières ; cette inversion est en général mal posée ou non unique car de l'information a été irréversiblement perdue lors du coarse-graining.

Limite

Dépend des observables choisies, de l'échelle et de la procédure de moyennage. Non unique : différents coarse-grainings conduisent à des modèles effectifs différents. Exclut la récupération exacte d'un micro-état et échoue lorsque des corrélations à petite échelle traversent l'échelle de coarse-graining.

Tension sémantique

Tension entre procédures empiriques de moyennage et approches de projection/renormalisation fondées ; entre perte de détail et gain de généralité ; entre équations réduites déterministes et dynamiques effectives intrinsèquement stochastiques.

Synthèse

Le coarse-graining est une application dépendante de l'échelle, systématique, du micro vers le méso/macro qui préserve les invariants pertinents tout en supprimant le détail microscopique, produisant nécessairement paramètres effectifs, bruit et validité limitée.