Un réseau de neurones en C++ pour prévoir le PIB, sans TensorFlow : il tourne sur un Arduino à 400 roubles

Un développeur de Habr a créé un réseau de neurones de prévision de la dynamique du PIB entièrement en C++20, sans TensorFlow, sans PyTorch et sans aucun framework tiers. Toutes les mathématiques sont écrites de zéro, et le modèle final peut tourner sur une carte Arduino à 300–400 roubles, avec une limite de mémoire de 32 Ko.

Pourquoi se passer de Python

L'approche standard de la modélisation macroéconomique suppose des serveurs puissants et de lourdes bibliothèques Python. TensorFlow et PyTorch gèrent très bien les tâches à grande échelle, mais ils traînent des dizaines de gigaoctets de dépendances et exigent une infrastructure de calcul complète. Dans un centre de données d'entreprise, c'est la norme. Pour un appareil de terrain ou un microcontrôleur bon marché, c'est un obstacle infranchissable.

Les cartes Arduino dotées de 32 Ko de RAM et vendues 300–400 roubles ne peuvent physiquement pas exécuter un interpréteur Python, et encore moins TensorFlow. Le fossé entre l'analytique « intelligente » et le matériel bon marché réel semblait infranchissable, jusqu'à ce que l'auteur décide de tout écrire de zéro.

Toutes les mathématiques des couches neuronales sont implémentées en C++20 pur, sans dépendance externe. NVIDIA CUDA est utilisé sur PC pour accélérer le calcul des poids pendant l'entraînement, et uniquement au stade du développement. Le modèle entraîné est exporté dans un format binaire compact et s'exécute sur n'importe quel matériel, microcontrôleurs compris.

Architecture : du capital au neurone

Le réseau ne se contente pas d'approximer des séries temporelles. Il imite de vrais cycles de rotation du capital. Sa structure reflète une logique économique, et pas seulement des motifs statistiques dans les chiffres. Quatre couches cachées du réseau non linéaire sont compressées jusqu'à six neurones de projection selon la méthodologie de la Banque mondiale.

Principales caractéristiques techniques :

• C++20 sans dépendance externe, pour un contrôle total de la mémoire
• NVIDIA CUDA pour accélérer l'entraînement au stade du développement
• 4 couches cachées avec des fonctions d'activation non linéaires
• Compression vers 6 neurones de projection selon la méthodologie de la Banque mondiale
• Compatibilité avec Arduino, avec une limite de mémoire de 32 Ko

Les six neurones de sortie ne sont pas un nombre arbitraire : chacun correspond à l'un des indicateurs clés de la méthodologie de la Banque mondiale. Le modèle devient ainsi interprétable. L'analyste comprend quel facteur a pesé sur la prévision, au lieu de faire aveuglément confiance à une « boîte noire ».

Réseaux de neurones et macroéconomie : un peu d'histoire

Les réseaux de neurones pour prévoir le PIB n'ont rien de nouveau. À la fin du XXe siècle, Swanson et White ont été parmi les premiers à démontrer que les modèles non linéaires saisissent mieux que les modèles linéaires classiques les cycles économiques cachés dans les données américaines. Kuan et Liu ont montré que nettoyer les séries temporelles avant de les fournir au réseau réduit sensiblement l'erreur de prévision.

Au début des années 2000, Marcellino, Neusser et Wagner ont confirmé la supériorité des réseaux multicouches sur ARIMA pour l'analyse du PIB des pays européens sur de longs horizons. Lin et Chen ont mis au point un schéma de commutation des poids qui permet au modèle de reconnaître les périodes de crise et les ruptures structurelles de l'économie.

En 2024, Zhang et Bian ont mené des tests à grande échelle sur des données de l'économie chinoise et confirmé que les fonctions d'activation non linéaires offrent un avantage durable pour suivre les taux de croissance du PIB à long terme.

«

Quatre couches cachées du réseau non linéaire sont compressées jusqu'à six neurones de projection selon la méthodologie de la Banque mondiale » : c'est ainsi que l'auteur décrit la décision architecturale centrale.

Ce que cela signifie

Le projet démontre qu'une modélisation économique sérieuse n'exige pas d'infrastructure coûteuse. Avec une architecture bien pensée, un réseau de neurones de prévision du PIB tient dans 32 Ko et tourne sur une carte à 400 roubles. Pour les développeurs de systèmes embarqués, c'est un signal direct : la frontière entre l'IA macroéconomique et le calcul en périphérie est plus mince qu'on ne le croit.