##  [Coarse-Graining (Moyennage Grossier)](/fr/node/59541) 

 Définition

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

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

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

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

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

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

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 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

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.