Nous étudions le modèle de la marche aléatoire branchante. Nous obtenons d'abord des résultats concernant le processus ponctuel formé par les particules extrémales, résolvant ainsi une conjecture de Brunet et Derrida 2010 [36]. Ensuite, nous établissons la dérivée au point critique de la limite des martingales additives complétant ainsi l'étude initiée par Biggins [23]. Ces deux travaux reposent sur les techniques modernes de décompositions épinales de la marche aléatoire branchante, originairement développées par Chauvin, Rouault et Wakolbinger [41], Lyons, Pemantle et Peres [74], Lyons [73] et Biggins et Kyprianou [24]. Le dernier chapitre de la thèse porte sur un champ Gaussien log-correle introduit par Kahane 1985 [61]. Via de récents travaux comme ceux de Allez, Rhodes et Vargas [11], Duplantier, Rhodes, Sheeld et Vargas [46] [47], ce modèle a connu un important regain d'intérêt. La construction du chaos multiplicatif Gaussien dans le cas critique a notamment été prouvée dans [46]. S'inspirant des techniques utilisées pour la marche aléatoire branchante nous résolvons une conjecture de [46] concernant le maximum de ce champ Gaussien. / We study the model of the branching random walk. First we obtain some results concerning thepoint process formed by the extremal particles, proving a Brunet and Derrida's conjecture [36] as well. Thenwe establish the derivative of the additive martingale limit at the critical point, completing the study initiatedby Biggins [23]. These two works rely on the spinal decomposition of the branching random walk, originallyintroduced by Chauvin, Rouault and Wakolbinger [41], Lyons, Pemantle and Peres [74], Lyons [73] and Bigginsand Kyprianou [24].The last chapter of the thesis deals with a log-correlated Gaussian field introduced by Kahane [61]. Thismodel was recently revived in particular by Allez, Rhodes and Vargas [11], and Duplantier, Rhodes, Shefield andVargas [46] [47]. Inspired by the techniques used for branching random walk we solved a conjecture of Duplantier,Rhodes, Shefield and Vargas [46], on the maximum of this Gaussian field.

Le système immunitaire adaptatif est capable de produire une réponse spécifique contre presque tous le pathogènes qui agressent notre organisme. Ceci est dû aux anticorps qui sont des protéines secrétées par les cellules B. Les molécules qui provoquent cette réaction sont appelées antigènes : pendant une réponse immunitaire, les cellules B sont soumises à un processus d’apprentissage afin d’améliorer leur capacité à reconnaitre un antigène donne. Ce processus est appelé maturation d’affinité des anticorps. Nous établissons un cadre mathématique très flexible dans lequel nous définissons et étudions des modelés évolutionnaires simplifies inspirés par la maturation d’affinité des anticorps. Nous identifions les éléments constitutifs fondamentaux de ce mécanisme d’évolution extrêmement rapide et efficace : mutation, division et sélection. En commençant par une analyse rigoureuse du mécanisme de mutation dans le Chapitre 2, nous procédons à l’enrichissement progressif du modelé en ajoutant et analysant le processus de division dans le Chapitre 3 ,puis des pressions sélectives dépendantes de l’affinité dans le Chapitre 4. Notre objectif n’est pas de construire un modèle mathématique très détaillé et exhaustif de la maturation d’affinité des anticorps, mais plutôt d’enquêter sur les interactions entre mutation, division et sélection dans un contexte théorique simplifie. On cherche à comprendre comment les différents paramètres biologiques influencent la fonctionnalité du système, ainsi qu’à estimer les temps caractéristiques de l’exploration de l’espace d’états des traits des cellules B. Au-delà des motivations biologiques de la modélisation de la maturation d’affinité des anticorps, l’analyse de ce processus d’apprentissage nous a amenée à concevoir un modèle mathématique qui peut également s’appliquer à d’autres systèmes d’évolution, mais aussi à l’étude de la propagation de rumeurs ou de virus. Notre travail théorique s’accompagne de nombreuses simulations numériques qui viennent soit l’illustrer soit montrer que certains résultats demeurent extensibles a des situations plus compliquées. / The adaptive immune system is able to produce a specific response against almost any pathogen that could penetrate our organism and inflict diseases. This task is assured by the production of antigen-specific antibodies secreted by B-cells. The agents which causes this reaction are called antigens: during an immune response B-cells are submitted to a learning process in order to improve their ability to recognize the immunizing antigen. This process is called antibody affinity maturation. We set a highly flexible mathematical environment in which we define and study simplified mathematical evolutionary models inspired by antibody affinity maturation. We identify the fundamental building blocks of this extremely efficient and rapid evolutionary mechanism: mutation, division and selection. Starting by a rigorous analysis of the mutational mechanism in Chapter 2, we proceed by successively enriching the model by adding and analyzing the division process in Chapter 3 and affinity-dependent selection pressures in Chapter 4. Our aim is not to build a very detailed and comprehensive mathematical model of antibody affinity maturation, but rather to investigate interactions between mutation, division and selection in a simplified theoretical context. We want to understand how the different biological parameters affect the system’s functionality, as well as estimate the typical time-scales of the exploration of the state-space of B-cell traits. Beyond the biological motivations of antibody affinity maturation modeling, the analysis of this learning process leads us to build a mathematical model which could be relevant to model other evolutionary systems, but also gossip or virus propagation. Our method is based on the complementarity between probabilistic tools and numerical simulations.

L’un des principaux objectifs de la physique des réacteurs nucléaires est de caractériser la répartition aléatoire de la population de neutrons au sein d’un réacteur. Les fluctuations de cette population sont liées à la nature stochastique des interactions des neutrons avec les noyaux fissiles du milieu : diffusion, capture stérile, ou encore émission de plusieurs neutrons lors de la fission d’un noyau. L’ensemble de ces mécanismes physiques confère une structure aléatoire branchante à la trajectoire des neutrons, alors modélisée par des marches aléatoires. Avec environs 10⁸ neutrons par centimètre cube dans un réacteur de type REP à pleine puissance en conditions stationnaires, les grandeurs physiques du système (flux, taux de réaction, énergie déposée) sont, en première approximation, bien représentées par leurs valeurs moyennes respectives. Ces observables physiques moyennes obéissent alors à l’équation de transport linéaire de Boltzmann. Au cours de ma thèse, je me suis penchée sur deux aspects du transport qui ne sont pas décrits par cette équation, et pour lesquels je me suis appuyée sur des outils issus de la théorie des marches aléatoires. Tout d’abord, grâce au formalisme de Feynman-Kac, j’ai étudié les fluctuations statistiques de la population de neutrons, et plus particulièrement le phénomène de « clustering neutronique », qui a été mis en évidence numériquement pour de faibles densités de neutrons (typiquement un réacteur au démarrage). Je me suis ensuite intéressée à différentes propriétés de la statistique d’occupation des neutrons effectuant un transport anormal (càd non-exponentiel). Ce type de transport permet de modéliser le transport dans des matériaux fortement hétérogènes et désordonnés, tel que les réacteurs à lit de boulets. L’un des aspects novateurs de ce travail est la prise en compte de la présence de bords. En effet, bien que les systèmes réels soient de taille finie, la plupart des résultats théoriques pré-existants sur ces thématiques ont été obtenus sur des systèmes de taille infinie. / One of the key goals of nuclear reactor physics is to determine the distribution of the neutron population within a reactor core. This population indeed fluctuates due to the stochastic nature of the interactions of the neutrons with the nuclei of the surrounding medium: scattering, emission of neutrons from fission events and capture by nuclear absorption. Due to these physical mechanisms, the stochastic process performed by neutrons is a branching random walk. For most applications, the neutron population considered is very large, and all physical observables related to its behaviour, such as the heat production due to fissions, are well characterised by their average values. Generally, these mean quantities are governed by the classical neutron transport equation, called linear Boltzmann equation. During my PhD, using tools from branching random walks and anomalous diffusion, I have tackled two aspects of neutron transport that cannot be approached by the linear Boltzmann equation. First, thanks to the Feynman-Kac backward formalism, I have characterised the phenomenon of “neutron clustering” that has been highlighted for low-density configuration of neutrons and results from strong fluctuations in space and time of the neutron population. Then, I focused on several properties of anomalous (non-exponential) transport, that can model neutron transport in strongly heterogeneous and disordered media, such as pebble-bed reactors. One of the novel aspects of this work is that problems are treated in the presence of boundaries. Indeed, even though real systems are finite (confined geometries), most of previously existing results were obtained for infinite systems.