Mon compte Ma liste - 0
	Catalogue   Ressources numériques   Nouveautés   Liens utiles   Mon compte

Recherche rapide Recherche avancée Recherche alphabétique Historique Information

Recherche  AuteurTitreSujetTitre de revueCollectionCotes BUCotes ENSEACotes IUFM       Modifier la recherche     > CERGY

Elargir la recherche       Sur le même sujet :     Thèses et écrits académiques     Parcourir le catalogue     par auteur:      Bayo , Djénabou , 1995-....      Honecker , Andreas , 19..-....      Römer , Rudolf Andreas      Staunton , Julie B.      Mariani , Eros , 19.. -....      Wald , Sascha Sebastian , 1990-....      Torcini , Alessandro , 1961-....      CY Cergy Paris Université , 2020-....      University of Warwick , Coventry, Royaume-Uni      École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise      Laboratoire de Physique Théorique et Modélisation , Cergy-Pontoise, Val d'Oise . 2002-         Affichage MARC

Auteur :  Bayo , Djénabou , 1995-.... Honecker , Andreas , 19..-.... Römer , Rudolf Andreas Staunton , Julie B. Mariani , Eros , 19.. -.... Wald , Sascha Sebastian , 1990-.... Torcini , Alessandro , 1961-.... CY Cergy Paris Université , 2020-.... University of Warwick , Coventry, Royaume-Uni École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise Laboratoire de Physique Théorique et Modélisation , Cergy-Pontoise, Val d'Oise . 2002- Titre :  Détermination de phase par Deep Learning pour les systèmes désordonnés , Djénabou Bayo ; sous la direction de Andreas Honecker et de Rudolf Andreas Römer Editeur :  2024 Notes :  Thèse soutenue en co-tutelle Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI) Partenaire(s) de recherche : LPTM - Laboratoire de physique théorique et modélisation (Laboratoire) Autre(s) contribution(s) : Julie B. Staunton (Président du jury) ; Eros Mariani, Sascha Sebastian Wald, Alessandro Torcini (Membre(s) du jury) ; Eros Mariani, Sascha Sebastian Wald (Rapporteur(s)) Thèse de doctorat Physique - ED EM2PSI CY Cergy Paris Université 2024 Thèse de doctorat Physique - ED EM2PSI University of Warwick (Coventry, Royaume-Uni) 2024 Ces dernières années, nous avons vu l'émergence d'un grand nombre de publications de machine learning (ML) dans les domaines de la physique de la matière condensée et de la physique statistique. En particulier, les outils de ML apparaissent comme des méthodes valides pour l'identification de phase. Dans cette thèse, nous étudions le ML sous le spectre de deux modèles. Le premier est le modèle de percolation de site en deux dimensions. Dans ce modèle paradigmatique, les sites sont occupés avec une probabilité p; une transition de phase du second ordre d'une phase non-percolante à une phase percolante apparait à une probabilité d'occupation p_c, appelé seuil de percolation. A l'aide de méthodes d'apprentissage supervisé telles que la classification et la régression, nous explorons les capacités des réseau de neurones convolutifs (CNNs) à prédire la densité d'occupation p , la longueur de corrélation xi , ainsi que la présence d'amas percolant. Nous constatons que les CNNs, qui ne sont à la base pas pensés pour la physique arrivent à prédire p .Cependant pour xi ou la présence d'amas percolant, ces mêmes techniques ne parviennent pas à donner de résultats satisfaisants. Le second modèle est le modèle de localisation d'Anderson en trois dimensions. Ce modèle se caractérise par une localisation de la fonction d'onde au-delà d'un désordre critique W_c . Nous commençons par reproduire des résultats obtenus précédemment en classification de phase, et réalisons par la suite des études dans le but d'identifier plusieurs valeurs de désordres dans les deux phases. Au cours de nos recherches, nous étudions l'influences de la taille du système ou la nature de l entrée sur la performance du réseau. Au travers de l'étude de ces deux modèles, nous montrons les points forts et les limitations auxquels il est possible d'être confrontés en utilisant le ML pour la reconnaissance de phase. Our first model is the two-dimensional site percolation. In this paradigmatic model, sites are randomly occupied with probability p ; a second-order phase transition from a non-percolating to a fully percolating phase appears at occupation density p_c , called percolation threshold. Through supervised deep learning approaches like classification and regression, we explore the ability of convolutional neural networks (CNNs) to predict the density of occupation p of percolation states, the correlation length xi , as well as the presence of a spanning cluster. We find that image recognition tools such as CNN, which are not naturally tailored for physics, successfully identify p . However, when dealing with parameters like xi or the presence of a spanning cluster, these same techniques fail to provide quantitative results. The second model is the three-dimensional Anderson model of localisation. This model is characterised by a localisation of the wavefunctions above a critical disorder W_c . We begin by reproducing previous work done on phase classification, and perform several new studies with classification and regression methods, to identify individual disorders in both phases. Throughout our investigation, multiple parameters such as the size of the system or the nature of the input are studied to observe their influence on the performance of the model. Via the study of these two models and the use of several ML methods, we will display the successes and limitations that one might be confronted with when using ML for phase recognition. Configuration requise : un logiciel capable de lire un fichier au format : application/pdf URL:  (Accès au texte intégral) http://www.theses.fr/2024CYUN1280/document http://www.theses.fr/2024CYUN1280/abes Sujet :  Thèses et écrits académiques   Exemplaires Pas de données exemplaires

Pour toute question, contactez la bibliothèque

Horizon Information Portal 3.25_france_v1m© 2001-2019 SirsiDynix Tous droits réservés.