Next seminar : Séminaire du LPTMS : Francesca Pietracaprina (Trinity College Dublin)

Tuesday, March 02 2021 at 11:00:00

Many-Body Localization in 2D and constrained models

Francesca Pietracaprina (Trinity College Dublin)

Online seminar --- ZOOM Meeting ID: 955 7840 0964 -- Password: ask L. Mazza and D. Petrov -- Many-body localization is a way to break ergodicity, thermalization and transport in disordered and quasiperiodic interacting quantum systems. The existence of a many-body localization transition in 2D systems is an open question that is being addressed experimentally, theoretically and numerically. In this talk, I will show some recent numerical results for a model whose features make it especially accessible to exact diagonalization. We numerically study the possibility of many-body localization transition in a constrained system: a disordered quantum dimer model on the honeycomb lattice. By using the peculiar constraints of this model and state-of-the-art exact diagonalization and time evolution methods, we probe large two-dimensional systems of up to N=108 sites. F Pietracaprina and F Alet, SciPost Phys. 10, 044 (2021) C Chiaracane, F Pietracaprina, A Purkayastha and J Goold, arXiv:2101.01111 [cond-mat.dis-nn] (2021)

Last Highlight : Quand les mégadonnées aident à prédire la performance sportive

Les smartphones et les montres connectées ne sont pas de simples accessoires pour les sportifs. Thorsten Emig a développé un modèle mathématique simple pour étudier les performances des sportifs d’endurance. Puis, une collaboration récente avec un scientifique de la société Polar Electro Oy (Finlande) a permis de l’appliquer à des données obtenues auprès d'environ 14 000 coureurs s’entrainant en conditions réelles. Selon cette étude, le modèle mathématique permet d’estimer des paramètres physiologiques clés comme la vitesse maximale aérobie et l'endurance, connus pour être liés aux conditions de santé et aux performances. La collecte non-invasive de ces données offre des possibilités en matière de soins et de surveillance. De plus, ce modèle pourrait être utilisé pour prédire les performances futures des athlètes, comme les temps de course du marathon, ce qui aiderait leur recrutement pour les équipes et les compétitions. Ce travail ouvre de nouvelles perspectives pour quantifier la santé et les performances sportives des athlètes en conditions réelles, et pourrait ouvrir des pistes pour la lutte antidopage.

http://www.cnrs.fr/fr/predire-les-performances-sportives-avec-les-big-data


See all LPTMS highlights.


Next Conference :