Next seminar : Séminaire du LPTMS : Nicolas Levernier (IUSTI)

Tuesday, October 27 2020 at 11:00:00

Nicolas Levernier (IUSTI Aix-Marseille Université)

First-passage time of non markovian random walks

Seminar in presence @LPTMS with ZOOM streaming -- ZOOM Meeting ID: 973 9548 5969 -- Password: 396890 -- In this talk, I will present part of the results I got during my PhD, and part of those obtained during my first postdoc I) The computation of the encounter time of particles is a key question in many contexts, as this time quantifies the reactivity rate for diffusion-limited processes. In the case of markovian random walks, such as brownian motion, some analytic results can be obtained. But in the case of non-markovian processes, much fewer results do exist, although "non-markov is the rule and markov is the exception" (Van Kampen). In this talk I will present a formalism we have developed to deal with non-markovian gaussian random walks and show its application to Fractional Brownian Motion, a paradigmatic example of highly-correlated process. If time allows, I will briefly present how aging of the dynamics can deeply modify the encounter time statistics. II) In the second part of my talk, I will briefly present results I got during my first postdoc. I will show how chaotic motion can arise in an extended active gel layer, typically describing cortical cytoskeleton, where polymerization and contraction due to molecular motors are combined. This result questions the usual description of the cortex as a thin layer, as such a description cannot describe this instability. I will also briefly present recent experimental evidences of this predicted phenomenon.

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 :