Habilitation à diriger les recherches

Présentation au sujet: "Habilitation à diriger les recherches"— Transcription de la présentation:

1 Habilitation à diriger les recherches
Milieux granulaires denses, gaz granulaires: des systèmes modèles hors de l‘équilibre Eléments d‘étude des réseaux complexes A. Barrat, Laboratoire de Physique Théorique, Orsay 16 mai 2005

2 Plan Brève description des travaux sur les matériaux granulaires
Réseaux complexes Réseaux complexes: introduction Cartographie des réseaux Réseaux complexes valués Quelques perspectives

3 Matériaux granulaires
hors d’équilibre, à température nulle toute dynamique=réponse à une injection d’énergie « gaz » : granulaires fortement vibrés, forte injection d’énergie plus dense, « liquide » très dense, en compaction : faible injection d’énergie « solide » ...de l’ingénierie à des questions fondamentales de physique statistique hors d’équilibre

4 Matériaux granulaires: granulaires denses
Collaboration avec V. Colizza, G. D’Anna, J. Kurchan, V. Loreto, P. Mayor, F. Nori, M. Sellitto 1- Phénoménologie de la compaction des granulaires faiblement vibrés: étude numérique détaillée d’un modèle sur réseau étude des relaxations lentes importance des hétérogénéités: utilisation des profils de densité pour l’interprétation des résultats numériques (ex: réponse à un changement du forçage) effets mémoire lors d’un changement du forçage

5 Matériaux granulaires: granulaires denses
2- Application de concepts thermodynamiques ? Proposition de S. Edwards: description statistique des configurations échantillonnées dynamiquement à temps longs lors de la compaction exact dans certains modèles champ moyen Investigation numérique sur plusieurs modèles schématiques en dimension finie, présentant la phénoménologie de la compaction granulaire situations homogènes cas plus réaliste, avec profil de densité bonne approximation pour un certain nombre de modèles

6 Gaz granulaires v1 v’1 v’2 v2
Collaboration avec T. Biben, J.N. Fuchs, E. Trizac, Z. Racz, F. van Wijland Motivation: système modèle exhibant des états stationnaires hors d’équilibre, avec possibilité d’études expérimentales, numériques, analytiques Cadre théorique: sphères dures inélastiques Avant collision Après collision v1 v’1 la composante normale de la vitesse relative est réduite =>perte d’énergie v’2 v2

7 Gaz granulaires Sujets d’étude:
Distributions de vitesse, problème de l’universalité (modèle effectif avec coefficient de restitution aléatoire) Non- équipartition de l’énergie dans les mélanges binaires « Démon de Maxwell » Méthodes Théorie cinétique: équation de Boltzmann Simulations numériques: Monte-Carlo Dynamique moléculaire

8 Réseaux complexes Collaboration avec I. Alvarez-Hamelin, M. Barthélemy, L. Dall’Asta, R. Pastor-Satorras, A. Vázquez, A. Vespignani Thématique interdisciplinaire, suivant plusieurs axes: Analyse et théorie: réseaux complexes valués Cartographie des réseaux complexes Dynamique sur réseaux: épidémiologie

9 Exemples de réseaux complexes
Internet WWW Réseaux de transport Réseaux d’interaction de protéines Réseaux de transcription des gènes Réseaux sociaux ... sont, ou peuvent être modélisés par, des graphes: ensemble de N sites/noeuds/sommets et E liens, en général dilués i.e. E << N(N-1)/2

10 Principales caractéristiques
Graphes « petit-monde »: diamètre croissant « lentement » avec la taille du réseau N, i.e. log(N) ou encore plus lentement caractéristique capturée par le paradigme du graphe aléatoire

11 Graphes aléatoires: Erdös-Renyi (1960)
N sites, connectés avec proba p: NB: distribution de Poisson pour le degré k=nombre de voisins (p=O(1/N)) MAIS....

12 Internet, systèmes autonomes

13 sont des réseaux hétérogènes
Distribution des degrés P(k) = probabilité qu’un site ait k voisins Internet et le Web; les réseaux d’interactions des protéines les réseaux métaboliques les réseaux sociaux ... sont des réseaux hétérogènes P(k) ~ k - (   3) <k>= const <k2>   Absence d’échelle caractéristique Divergence des fluctuations

14 Comparaison imagée Distribution de Poisson Réseau homogène Distribution en loi de puissance Réseau sans échelle Distribution hétérogène des degrés: Conséquences importantes, par exemple Propagation d’épidémies Robustesse Vulnérabilité ...

15 Principales caractéristiques
Graphes « petit-monde » Graphes hétérogènes, avec des lois de distribution larges pour le degré Souvent: évolution dynamique, auto-organisation Théorie des graphes aléatoires: graphes statiques, topologie ad-hoc... Nécessité de nouveaux paradigmes Développement d’une activité de recherche intense

16 Un nouveau cadre P(k) ~k-3
(1) Croissance: Ajout à chaque instant t d’un nouveau site, avec m liens (connectés aux sites déjà présents). (2) Attachement préférentiel: la probabilité Π que le nouveau site va se lier au site i dépend du degré ki de ce site P(k) ~k-3 A.-L.Barabási, R. Albert, Science 286, 509 (1999)

17 Modèles de réseaux sans échelle
Barabási, Albert, 1999: croissance + attachement préférentiel P(k) ~ k -3 Généralisations et variations: Non- linéarité : (k) ~ k Attractivité initiale : (k) ~ A+k Réseaux avec fort clustering Caractères intrinsèques: (k) ~ hiki Réseaux plongés en 2 dimensions P(k) ~ k -g (....) => nombreux modèles Redner et al. 2000, Mendes et al. 2000, Albert et al. 2000, Dorogovtsev et al. 2001, Bianconi et al. 2001, Barthélemy 2003, etc...

18 Caractérisation des divers modèles
Distribution des degrés P(k) =>Homogène vs. hétérogène Corrélations entre degrés de sites voisins « Clustering » (triangles) ... => Comparaison avec réseaux réels

19 Fiabilité des données empiriques ?
Hétérogénéité des réseaux: constatée empiriquement réseaux sociaux: données variées, même type de résultats réseaux de transport: données fiables réseaux de nature biologique: incomplets Internet: cartographie résultant d’un échantillonnage incomplet Analyse statistique de la fiabilité d’un tel échantillonnage

20 Biais du processus d’échantillonnage
Traceroute: => arbre à partir de chaque source Echantillonnage incomplet Connectivité latérale mal estimée

21 Biais du processus d’échantillonnage
Sites et liens mieux échantillonnés près des sources Mauvaise estimation de certaines propriétés ? Les propriétés statistiques du graphe échantillonné pourraient différer des vraies propriétés Lakhina et al. 2002 Clauset & Moore 2005 De Los Rios & Petermann 2004 Guillaume & Latapy 2004 Mauvais échantillonnage ?

22 Comment évaluer ces biais ?
Graphe réel G=(V,E) (connu ) échantillonnage simulé Graphe échantillonné G’=(V’,E’) Analyse de G’, comparaison avec G

23 Notre démarche modèle pour traceroute
approche analytique avec approximations de type champ moyen => lien entre les propriétés topologiques du réseau et les biais du processus d’échantillonnage validation numérique par l’échantillonnage simulé de graphes homogènes et hétérogènes

24 I-Modèle pour traceroute
Première approximation: union de chemins les plus courts G=(V, E) Sources (NS) Destinations (NT)

25 I-Modèle pour traceroute
Première approximation: union de chemins les plus courts G’=(V’, E’) Modèle simple, qui permet d’obtenir un traitement analytique et numérique

26 II-Analyse du processus de cartographie
1. Expression exacte pour la probabilité de découvrir un site ou un lien donné 2. Approximation de type champ moyen: on néglige les corrélations entre les différents chemins 3. Interprétation du résultat en termes de propriétés topologiques, en particulier de la centralité donnée par la « betweenness centrality » Prédiction: sites et liens plus « centraux » sont mieux échantillonnés

27 Betweenness centrality b
pour chaque couple (l,m) de sites, il y a nlm plus courts chemins entre l et m nijlm plus courts chemins passant par ij bij est la somme de nijlm / nlm sur tous les couples (l,m) k i ij: grande centralité j jk: faible centralité NB: flux d’information si chaque site envoie un message à tous les autres sites de façon similaire betweenness du site i bi

28 II-Conséquences de l’analyse
Graphes homogènes (ex: graphes aléatoires ER) distributions piquées de k et b gamme étroite de centralité (betweenness) prédiction: bon échantillonnage (uniforme) seulement pour un grand nombre de sondes Graphes hétérogènes (ex: modèle Barabási-Albert) distributions larges de k et b ; b » k gamme étendue de valeurs prédiction: sites de grand degré toujours bien échantillonnés

29 III-Simulations numériques
Graphes homogènes Mauvais échantillonnage pour toute la gamme de degrés =NS NT/N

30 III-Simulations numériques
Graphes hétérogènes Sites à fort degré bien échantillonnés

31 III-Simulations numériques
Graphes homogènes NS=1 Pas de distribution large, sauf.... P*(k) large seulement pour NS = 1 (cf Clauset and Moore 2005) cut-off à <k> mauvais échantillonnage de P(k)

32 III-Simulations numériques
Graphes hétérogènes bon échantillonnage, surtout à grand degré; inflexion à faibles degrés (sites moins centraux) => mauvaise évaluation des exposants.

33 Fiabilité du processus de cartographie
Approche analytique du processus de type traceroute Lien avec les propriétés topologiques Bon échantillonnage des lois larges pour la distribution des degrés Biais donnant un réseau échantillonné hétérogène à partir d’un réseau homogène: seulement dans des cas très particuliers <k> devrait être très grand (peu réaliste)

34 Les propriétés d’hétérogénéité sont réelles dans le réseau Internet
Fiabilité du processus de cartographie: conclusion Les propriétés d’hétérogénéité sont réelles dans le réseau Internet mais L’analyse quantitative peut être fortement biaisée (exposants mal mesurés...)

35 Au-delà de la topologie: réseaux complexes valués
Internet s Réseaux sociaux Réseaux économiques (Garlaschelli et al. 2003) Réseaux biologiques (Almaas et al. 2004) Réseaux de transport ... sont des réseaux valués, avec des poids hétérogènes sur les liens i wij j

36 Nos travaux Analyses empiriques de réseaux réels
Définition de nouveaux outils de caractérisation, en particulier pour les corrélations Modélisation

37 Outils pour la caractérisation des réseaux valués
Généralisation du degré: si = j wij =>étude des distributions de s, des corrélations entre s et k Généralisation de l’étude des corrélations: triangles => « clustering » valué corrélations à deux points

38 Nécessité de tenir compte des poids pour les corrélations
wij=1 wij=5 i i ciw > ci ciw < ci Même degré, même coefficient de clustering (ki=4, ci=0.5) Définition d’un coefficient de clustering valué ciw Comparaison avec le clustering topologique

39 Nécessité de peser les corrélations entre degrés
1 5 Même degré moyen des voisins i Définition de l’affinité= degré moyen des voisins de i, pesé par les poids des liens vers ces voisins Comparaison de l’affinité avec son équivalent topologique 5 1 i

40 Etudes empiriques Distributions hétérogènes des poids, des degrés pondérés Existence de corrélations entre poids et degrés Comparaison des corrélations topologiques avec les corrélations pondérées => informations supplémentaires sur les réseaux étudiés

41 Modèles de réseaux valués
Yook, Jeong, Barabási, Tu, Phys. Rev. Lett. (2001) Zheng et al. Phys. Rev. E (2003) Jezewski, Physica A (2004) Park et al., Phys. Rev. E (2004) Almaas, Redner, Phys. Rev. E (2005) Antal, Krapivsky, Phys. Rev. E (2005) =>Poids statiques, avec ou sans corrélations avec la topologie, alors qu’en général les poids évoluent sont couplés avec la topologie

42 Un nouveau mécanisme et...
Croissance: ajout à chaque pas de temps d’un nouveau site avec m liens à connecter à des sites déjà existants Attachement Préférentiel: la probabilité de se connecter à un site donné est proportionnelle au degré pondéré du site Attachement préférentiel déterminé par les poids et...

43 Redistribution des poids: mécanisme de rétroaction
Nouveau site: n, attaché à i Nouveau poids wni=w0=1 Poids entre i et ses autres voisins: n i j si si + w0 + d seul paramètre Le nouveau trafic n-i accroît le trafic i-j et le poids/l’attractivité de i =>mécanisme de rétroaction

44 Résultats analytiques
Distributions en loi de puissance pour k, s and w: P(k) ~ k -g ; P(s)~s-g Corrélations topologie/poids: wij ~ min(ki,kj)a , a=2d/(2d+1)

45 Résultats numériques (N=105)

46 Extensions du modèle: Hétérogénéités des sites Réseau dirigé
Contraintes spatiales Renforcement des liens déjà existants etc...

47 Conclusions: réseaux valués
importance de l’étude des intensités des liens généralisation des corrélations => meilleure compréhension des réseaux nouveaux mécanismes de modélisation

48 Perspectives Granulaires denses: expériences... Gaz granulaires:
fluctuations de grandeurs globales théorème fluctuation Réseaux complexes cartographie: influence des divers paramètres; déploiement massif de sources... influence des poids sur la dynamique épidémiologie réseaux dynamiques (ex: pair-à-pair)