Ce travail présente et valide une théorie nonlocale nouvelle et généralisée, de la propagation acoustique dans les milieux poreux à structure rigide, saturés par un fluide viscothermique. Cette théorie linéaire permet de dépasser les limites de la théorie classique basée sur la théorie de l'homogénéisation. Elle prend en compte non seulement les phénomènes de dispersion temporelle, mais aussi ceux de dispersion spatiale. Dans le cadre de la nouvelle approche, une nouvelle procédure d'homogénéisation est proposée, qui permet de trouver les propriétés acoustiques à l'échelle macroscopique, en résolvant deux problèmes d'action-réponse indépendants, posés à l'échelle microscopique de Navier-Stokes-Fourier. Contrairement à la méthode classique d'homogénéisation, aucune contrainte de séparation d'échelle n'est introduite. En l'absence de structure solide, la procédure redonne l'équation de dispersion de Kirchhoff-Langevin, qui décrit la propagation des ondes longitudinales dans les fluides viscothermiques. La nouvelle théorie et procédure d'homogénéisation nonlocale sont validées dans trois cas, portant sur des microgéométries significativement différentes. Dans le cas simple d'un tube circulaire rempli par un fluide viscothermique, on montre que les nombres d'ondes et les impédances prédits par la théorie nonlocale, coïncident avec ceux de la solution exacte de Kirchhoff, connue depuis longtemps. Au contraire, les résultats issus de la théorie locale (celle de Zwikker et Kosten, découlant de la théorie classique d'homogénéisation) ne donnent que le mode le plus attenué, et encore, seulement avec le petit désaccord existant entre la solution simplifiée de Zwikker et Kosten et celle exacte de Kirchhoff. Dans le cas où le milieu poreux est constitué d'un réseau carré de cylindres rigides parallèles, plongés dans le fluide, la propagation étant regardée dans une direction transverse, la vitesse de phase du mode le plus atténué peut être calculée en fonction de la fréquence en suivant les approches locale et nonlocale, résolues au moyen de simulations numériques par la méthode des Eléments Finis. Elle peut être calculée d'autre part par une méthode complètement différente et quasi-exacte, de diffusion multiple prenant en compte les effets viscothermiques. Ce dernier résultat quasi-exact montre un accord remarquable avec celui obtenu par la théorie nonlocale, sans restriction de longueur d'onde. Avec celui de la théorie locale, l'accord ne se produit que tant que la longueur d'onde reste assez grande.

The topic of this thesis is a diffusion process on a potential landscape which is given by a smooth Hamiltonian function in the regime of small noise. The work provides a new proof of the Eyring-Kramers formula for the Poincaré inequality of the associated generator of the diffusion. The Poincaré inequality characterizes the spectral gap of the generator and establishes the exponential rate of convergence towards equilibrium in the L²-distance. This result was first obtained by Bovier et. al. in 2004 relying on potential theory. The presented approach in the thesis generalizes to obtain also asymptotic sharp estimates of the constant in the logarithmic Sobolev inequality. The optimal constant in the logarithmic Sobolev inequality characterizes the convergence rate to equilibrium with respect to the relative entropy, which is a stronger distance as the L²-distance and slightly weaker than the L¹-distance. The optimal constant has here no direct spectral representation. The proof makes use of the scale separation present in the dynamics. The Eyring-Kramers formula follows as a simple corollary from the two main results of the work: The first one shows that the associated Gibbs measure restricted to a basin of attraction has a good Poincaré and logarithmic Sobolev constants providing the fast convergence of the diffusion to metastable states. The second main ingredient is a mean-difference estimate. Here a weighted transportation distance is used. It contains the main contribution to the Poincaré and logarithmic Sobolev constant, resulting from exponential long waiting times of jumps between metastable states of the diffusion.

Avant-propos: Cet ouvrage se base en partie sur le travail réalisé en collaboration avec Alexia Jolicoeur-Martineau, Ioannis Mitliagkas et Rémi Tachet des Combes, réalisé en 2020 et publié à la conférence internationale d'apprentissage de représentations (ICLR 2021). Les analyses présentées dans les prochaines pages approfondissent, corrigent et ajoutent à cet ouvrage de manière substantive, sans toutefois reposer sur cet ouvrage ou quelconque connaissance couverte par ce texte. / Ce mémoire a pour but de présenter des analyses pertinentes au sujet des méthodes génératives dites Denoising Score Matching dans le but de mieux comprendre leur fonctionnement et d'améliorer les techniques existantes. Ces méthodes consistent à graduellement réduire le bruit dans une image en usant de réseaux neuraux profonds à des fins de synthèse. Tandis que les premiers chapitres contextualisent le problème du Denoising Score Matching, les chapitres suivants s’affairent à reformuler l’objectif d’entraînement du réseau neuronal, puis à analyser le processus itératif générateur. J’introduis par la suite les concepts fondateurs des méthodes de Monte Carlo par chaînes de Markov (MCMC) pour dynamiques Hamiltoniennes, que j’adapte ensuite à la synthèse d’image par réduction graduelle de bruit. Tandis que les dynamiques de Langevin ont jusqu’alors eut monopole des processus génératifs dans la littérature de synthèse par le score, les dynamiques Hamiltoniennes font l'objet d’un engouement quant à leur vitesse de convergence supérieure. Je démontre leur efficacité dans les sections suivantes et précise, dans le cas de la génération d'images complexes, les contextes dans lesquels leur usage est avantageux. Lors d’une étude d’ablation complète, je présente les gains indépendants et jumelés des améliorations proposées, et par le fait même, je contribue à notre compréhension des modèles basés sur le score. / This thesis presents pertinent analysis around generative modeling of the Denoising Score Matching family with the goals of better understanding how they work and improving existing methods. These methods work by gradually reducing noise in images using deep neural networks. While the first chapters contextualize the problem of Denoising Score Matching, the following chapters focus on reformulating the training objective of the neural network and analysing the iterative generative process. I introduce the founding concepts of Markov Chain Monte Carlo (MCMC) for Hamiltonian Dynamics and adapt them to our framework of image synthesis by annealing of Gaussian noise. While Langevin Dynamics have thus far dominated generative processes in the Denoising Score Matching literature, Hamiltonian Dynamics sustained interest from their superior convergence rate. I demonstrate their efficiency in the next chapters and elaborate on the contexts in which their use is advantageous to complex image generation. In a complete ablation study, I present the independent and coupled gains from every proposed improvements and thereby elevate our comprehension of Denoising Score Matching methods.