Name: Session régionale du séminaire des doctorant·e·s
Start: 2026-11-27T08:00:00+01:00
End: 2026-11-27T18:55:00+01:00
Location: No location set

Session régionale du séminaire des doctorant·e·s

vendredi 27 novembre 2026 - 08:00

lundi 23 novembre 2026
mardi 24 novembre 2026
mercredi 25 novembre 2026
jeudi 26 novembre 2026
vendredi 27 novembre 2026
13:30 Plénière - Machine learning/IA générative et leurs biais - Valentin Lafargue
Plénière - Machine learning/IA générative et leurs biais
- Valentin Lafargue
13:30 - 14:30
Room: Amphi Schwartz TBA
14:30 Pause
Pause
14:30 - 14:45
14:45 PDEs in Population Dynamics: a buffet of propagating fronts - Maria Luisa Pasinato
PDEs in Population Dynamics: a buffet of propagating fronts
- Maria Luisa Pasinato
14:45 - 15:15
Room: TBA We explore some typical questions regarding a class of semilinear parabolic PDEs, often used as models for population dynamics in mathematical biology. For instance: given an initial population distribution, does it survive or die out ? If it survives, how quickly does it spread ? We begin by an introduction to the KPP equation, then move on to an overview of different models; some classical, some new.
Une gentille introduction aux TQFTs - Joris Moulai
Une gentille introduction aux TQFTs
- Joris Moulai
14:45 - 15:15
Room: TBA TBA
15:20 TBA - Francesc Timoner Vaquer
TBA
- Francesc Timoner Vaquer
15:20 - 15:50
Room: TBA TBA
Where Data Meets Equations: Physics-Informed Neural Networks for Forward and Inverse Problems - Naomi Albukerque
Where Data Meets Equations: Physics-Informed Neural Networks for Forward and Inverse Problems
- Naomi Albukerque
15:20 - 15:50
Room: TBA Neural networks are now firmly established, yet their use in applied mathematics still raises many questions: they are often seen as black boxes, they come with no guarantees, and they need large amounts of data. Physics-Informed Neural Networks (PINNs), introduced in 2019 by Raissi, Perdikaris and Karniadakis, take a different approach. Instead of learning from data alone, the network is forced to satisfy a partial differential equation. This is done with automatic differentiation and a loss function that encodes the physics of the problem. As a result, forward and inverse problems can be treated in the same framework. This talk is an introduction to this method. We will see how a neural network can approximate the solution of a PDE, how the loss function is built, and what we can (and cannot) expect from it compared with classical methods. This framework extends naturally to inverse problems, where the goal is to find unknown parameters of a model from noisy observations. This is also where the method shows its difficulties: conditioning, the weighting of the loss terms, and convergence guarantees are all open questions. To anchor these ideas in a concrete setting, we will draw on a case from my own research area: the identification of parameters of a charge transport model in electrical insulating materials, from indirect experimental measurements. This problem, in which physical parameters that are hard to obtain, whether from the literature or through direct measurement, must be inferred from the available data, will serve to illustrate the notions presented. ----- FRENCH VERSION ----- Titre : Quand les données rencontrent les équations : les réseaux de neurones informés par la physique pour les problèmes directs et inverses. Les réseaux de neurones sont désormais solidement établis, mais leur utilisation en mathématiques appliquées soulève encore de nombreuses questions : ils sont souvent considérés comme des boîtes noires, ne s’accompagnent d’aucune garantie et nécessitent de grandes quantités de données. Les Physics-Informed Neural Networks (PINNs), introduits en 2019 par Raissi, Perdikaris et Karniadakis, adoptent une approche différente. Au lieu d’apprendre uniquement à partir de données, le réseau est contraint de satisfaire une équation aux dérivées partielles. Cela est réalisé grâce à la différentiation automatique et à une fonction de perte qui encode la physique du problème. Ainsi, les problèmes directs et inverses peuvent être traités dans un même cadre. Cette présentation est une introduction à cette méthode. Nous verrons comment un réseau de neurones peut approcher la solution d’une EDP, comment la fonction de perte est construite et ce que nous pouvons (et ne pouvons pas) en attendre par rapport aux méthodes classiques. Ce cadre s’étend naturellement aux problèmes inverses, dans lesquels l’objectif est de déterminer les paramètres inconnus d’un modèle à partir d’observations bruitées. C’est également dans ce contexte que la méthode révèle ses difficultés : le conditionnement, la pondération des termes de la fonction de perte et les garanties de convergence sont autant de questions encore ouvertes. Pour ancrer ces idées dans un contexte concret, nous nous appuierons sur un cas issu de mon domaine de recherche : l’identification des paramètres d’un modèle de transport de charges dans les matériaux isolants électriques, à partir de mesures expérimentales indirectes. Ce problème, dans lequel des paramètres physiques difficiles à obtenir, que ce soit dans la littérature ou par des mesures directes, doivent être déduits des données disponibles, servira à illustrer les notions présentées.
15:50 Goûter
Goûter
15:50 - 16:20
16:20 La conjecture de Horn du point de vue des représentations de carquois - Antoine Médoc
La conjecture de Horn du point de vue des représentations de carquois
- Antoine Médoc
16:20 - 16:50
Room: TBA Si deux matrices sont hermitiennes, leur somme l'est également. En particulier, ces trois matrices sont diagonalisables : connaissant le spectre de deux d'entre elles, on peut alors se demander quel peut être le spectre de la troisième. Ce problème est au centre de la conjecture de Horn et peut-être relié à l'étude d'un monoïde associé à un carquois équipé d'un vecteur dimension. Dans cet exposé, on donnera un énoncé de résolution de la conjecture de Horn, quelques notions de théorie des représentations de carquois et une idée de généralisation possible de cet énoncé.
Simulation numérique de l'imagerie par résonance magnétique de flux - Clément Fraud
Simulation numérique de l'imagerie par résonance magnétique de flux
- Clément Fraud
16:20 - 16:50
Room: TBA TBA
16:55 Estimating jump time intensity in partially observed Piecewise Deterministic Markov Processes - Amélie Vernay
Estimating jump time intensity in partially observed Piecewise Deterministic Markov Processes
- Amélie Vernay
16:55 - 17:25
Room: TBA TBA
Inference for Hüsler-Reiss block models - Alexandre Capel
Inference for Hüsler-Reiss block models
- Alexandre Capel
16:55 - 17:25
Room: TBA TBA
17:25 Session poster
Session poster
17:25 - 18:25