Next seminar : Séminaire du LPTMS : Giulia Pisegna (University of Rome La Sapienza)

Tuesday, May 04 2021 at 11:00:00

Dynamical Renormalization Group Approach to the Collective Behavior of Swarms

Giulia Pisegna (University of Rome La Sapienza)

Online seminar --- Zoom Meeting ID: XXX -- Passcode: XXX -- We study the critical behavior of a model with nondissipative couplings aimed at describing the collective behavior of natural swarms, using the dynamical renormalization group under a fixed-network approximation. At one loop, we find a crossover between an unstable fixed point, characterized by a dynamical critical exponent z=d/2, and a stable fixed point with z=2, a result we confirm through numerical simulations. The crossover is regulated by a length scale given by the ratio between the transport coefficient and the effective friction, so that in finite-size biological systems with low dissipation, dynamics is ruled by the unstable fixed point. In three dimensions this mechanism gives z=3/2, a value significantly closer to the experimental window, 1.0≤z≤1.3, than the value z≈2 numerically found in fully dissipative models, either at or off equilibrium. This result indicates that nondissipative dynamical couplings are necessary to develop a theory of natural swarms fully consistent with experiments.

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 :