Cet article aborde l'émergence de la coopération dans les systèmes multi-agents comme un problème de physique statistique, en étudiant comment les règles d'apprentissage microscopiques induisent des changements comportementaux collectifs macroscopiques. En nous appuyant sur les mécanismes proposés dans des études précédentes, nous proposons une variante du recâblage adaptatif basée sur l'apprentissage Q. Cette méthode combine l'apprentissage par différence temporelle et la reconfiguration du réseau, permettant aux agents d'optimiser leurs stratégies et leurs connexions sociales en fonction de leur historique d'interactions. L'apprentissage Q spécifique au voisin permet aux agents de développer des stratégies sophistiquées de gestion des partenariats, favorisant la formation de clusters coopératifs et créant une séparation spatiale entre les régions coopératives et défaillantes. À l'aide d'un réseau en loi de puissance reflétant des schémas de connectivité hétérogènes du monde réel, nous évaluons les comportements émergents sous diverses contraintes de recâblage, mettant en évidence des schémas coopératifs distincts dans l'espace des paramètres plutôt que des transitions thermodynamiques abruptes. Grâce à une analyse systématique, nous identifions trois régimes comportementaux : un régime permissif (faibles contraintes), un régime intermédiaire (sensiblement dépendant de l'intensité du dilemme) et un régime patient (fortes contraintes). Les résultats de simulation démontrent que, si des contraintes appropriées créent des régions de transition qui inhibent la coopération, le recâblage entièrement adaptatif explore systématiquement les configurations de réseau favorables, améliorant ainsi la coopération. Une analyse quantitative démontre que l'augmentation de la fréquence de recâblage conduit à la formation de grands clusters avec une distribution de taille en loi de puissance. Ces résultats offrent un nouveau paradigme pour comprendre la formation de modèles coopératifs pilotés par l'intelligence dans les systèmes adaptatifs complexes, démontrant comment l'apprentissage automatique peut servir de moteur alternatif à l'organisation spontanée dans les réseaux multi-agents.
