Dans cette thèse, on étudie l'application de la méthode des moments pour les télécommunications. On analyse cette méthode et on montre son importance pour l'étude des matrices aléatoires. On utilise le cadre de probabilités libres pour analyser cette méthode. La notion de produit de convolution/déconvolution libre peut être utilisée pour prédire le spectre asymptotique de matrices aléatoires qui sont asymptotiquement libres. On montre que la méthode de moments est un outil puissant même pour calculer les moments/moments asymptotiques de matrices qui n'ont pas la propriété de liberté asymptotique. En particulier, on considère des matrices aléatoires gaussiennes de taille finie et des matrices de Vandermonde al ?eatoires. On développe en série entiére la distribution des valeurs propres de differents modèles, par exemple les distributions de Wishart non-centrale et aussi les distributions de Wishart avec des entrées corrélées de moyenne nulle. Le cadre d'inference pour les matrices des dimensions finies est suffisamment souple pour permettre des combinaisons de matrices aléatoires. Les résultats que nous présentons sont implémentés en code Matlab en générant des sous-ensembles, des permutations et des relations d'équivalence. On applique ce cadre à l'étude des réseaux cognitifs et des réseaux à forte mobilité. On analyse les moments de matrices de Vandermonde aléatoires avec des entrées sur le cercle unitaire. On utilise ces moments et les détecteurs à expansion polynomiale pour décrire des détecteurs à faible complexité du signal transmis par des utilisateurs mobiles à une station de base (ou avec deux stations de base) représentée par des réseaux linéaires uniformes.

Les prévisions relatives trafic de données au sein des systèmes de communications sans-fil suggèrent une croissance exponentielle, principalement alimentée par l'essor de transferts vidéo mobiles. Etant donné la nature soudaine et fluctuante des demandes de transfert vidéo, il faut dès à présent réfléchir à de nouveaux algorithmes d'allocation de ressources performants. En effet, les algorithmes en couche physique traditionnels, qui réalisent de l'allocation de ressources sous l'hypothèse classique que les transmetteurs sont toujours saturés avec des bits d'information, risquent à l'avenir de s'avérer inefficients. Pour cette raison, les algorithmes de demain se doivent d'être dynamiques, dans le sens où ils seront capables de prendre en compte la nature stochastique des fluctuations du trafic de données et qu'ils intégreront des informations issus de processus de couches supérieures.L'idée centrale de cette thèse est de développer des algorithmes, travaillant avec des informations issues de la couche PHY et de la couche NET, dans un scénario Multi-cells et MIMO (Multiple Inputs, Multiple Outputs).Plus particulièrement, nous considérons un réseau de stations de base (BS) équipés avec plusieurs antennes, chargés de servir plusieurs terminaux mobiles équipés d'une seule antenne (UT) dans leurs cellules respectives. Ce qui nous différencie des travaux précédents, c'est que nous tenons compte de l'aléa avec lequel des demandes de transferts peuvent arriver et que, pour cette raison, nous modélisons la formation de queue de données au niveau des stations de base. Dans cette disposition, nous développons plusieurs algorithmes multicouches, réalisant de l'allocation de ressources décentralisée, et ce, dans une optique d'efficacité énergétique. En particulier, il s'agit ici de réaliser des algorithmes réalisant du beamforming de façon décentralisée et capables de contrôler des fluctuations de trafic, des algorithmes optimisant l'efficacité énergétique sous une contrainte de qualité de service moyenne, des algorithmes de planification décentralisés dans des scénarios multi-cellulaires. Dans cette perspective, nous choisissons de recourir non seulement à des outils d'optimisation de la théorie de Lyapunov, mais également à la théorie des matrices aléatoires et à la théorie du contrôle stochastique.

Les Mathématiques non-commutatives sont un domaine en plein essor. L'idée de base consiste à remarquer qu'au lieu de décrire un espace donné comme étant un ensemble de points, on peut de manière équivalente le décrire par l'algèbre des fonctions définies sur cet espace. Cette algèbre est commutative. On remplace alors cette algèbre par une algèbre qui n'est plus forcément commutative et que l'on cherche à interpréter comme une algèbre de fonctions sur un « espace non-commutatif ». Les groupes quantiques sont un exemple de généralisation non-commutative de la notion de groupe. Il s'agit d'une C*-algèbre munie d'une comultiplication à valeur dans le produit tensoriel de l'algèbre avec elle-même. Les groupes quantiques ont été bien étudiés. Les groupes duaux sont similaires aux groupes quantiques, mais la comultiplication est cette fois-ci à valeur dans le produit libre, et non plus dans le produit tensoriel. Bien qu'ils aient été introduits dans les années 80, ils n'ont pas encore été vraiment étudiés. Le but de cette thèse est d'explorer les propriétés des groupes duaux, en se concentrant sur l'un d'entre eux – le groupe dual unitaire – et ce en utilisant les méthodes des probabilités non-commutatives (ou probabilités quantiques) / Noncommutative Mathematics are a very active domain. The idea underlying it is that instead of describing a space as a set of points, it is equivalent to describe it with the algebra of functions defined on said space. This algebra is commutative. Now we replace this algebra with an algebra that is not necessarily commutative any more and we want to interpret it as the algebra of functions defined on a « noncommutative space ». Quantum groups are an example of such a noncommutative generalization of the notion of group. They are C*-algebras equipped with a comultiplication that takes its values in the tensor product of the algebra with itself. Quantum groups are well-known and well studied. Nevertheless we can also define dual groups, which are similar to quantum groups, but the comultiplication takes now its values in the free product of the algebra with itself, instead of the tensor product. Though dual groups have been introduced in the 80s, they have not been much studied so far. The goal of this thesis is to study their properties, especially in the case of one particular dual group called the unitary dual group, by using methods from noncommutative probability (or quantum probability).

Le développement de la Théorie du Calcul Quantique provient de l'idée qu'un ordinateur est avant tout un système physique, de sorte que ce sont les lois de la Nature elles-mêmes qui constituent une limite ultime sur ce qui peut être calculé ou non. L'intérêt pour cette discipline fut stimulé par la découverte par Peter Shor d'un algorithme quantique rapide pour factoriser un nombre, alors qu'actuellement un tel algorithme n'est pas connu en Théorie du Calcul Classique. Un autre résultat important fut la construction par Lov Grover d'un algorithme capable de retrouver un élément dans une base de donnée non-structurée avec un gain de complexité quadratique par rapport à tout algorithme classique. Alors que ces algorithmes quantiques sont exprimés dans le modèle ``standard' du Calcul Quantique, où le registre évolue de manière discrète dans le temps sous l'application successive de portes quantiques, un nouveau type d'algorithme a été récemment introduit, où le registre évolue continûment dans le temps sous l'action d'un Hamiltonien. Ainsi, l'idée à la base du Calcul Quantique Adiabatique, proposée par Edward Farhi et ses collaborateurs, est d'utiliser un outil traditionnel de la Mécanique Quantique, à savoir le Théorème Adiabatique, pour concevoir des algorithmes quantiques où le registre évolue sous l'influence d'un Hamiltonien variant très lentement, assurant une évolution adiabatique du système. Dans cette thèse, nous montrons tout d'abord comment reproduire le gain quadratique de l'algorithme de Grover au moyen d'un algorithme quantique adiabatique. Ensuite, nous montrons qu'il est possible de traduire ce nouvel algorithme adiabatique, ainsi qu'un autre algorithme de recherche à évolution Hamiltonienne, dans le formalisme des circuits quantiques, de sorte que l'on obtient ainsi trois algorithmes quantiques de recherche très proches dans leur principe. Par la suite, nous utilisons ces résultats pour construire un algorithme adiabatique pour résoudre des problèmes avec structure, utilisant une technique, dite de ``nesting', développée auparavant dans le cadre d'algorithmes quantiques de type circuit. Enfin, nous analysons la résistance au bruit de ces algorithmes adiabatiques, en introduisant un modèle de bruit utilisant la théorie des matrices aléatoires et en étudiant son effet par la théorie des perturbations. / Doctorat en sciences appliquées / info:eu-repo/semantics/nonPublished

Cette thèse porte essentiellement sur l'étude de la distribution spectrale limite de grandes matrices aléatoires dont les entrées sont corrélées et traite également d'inégalités de déviation pour la plus grande valeur propre d'une somme de matrices aléatoires auto-adjointes et géométriquement absolument réguliers. On s'intéresse au comportement asymptotique de grandes matrices de covariances et de matrices de type Wigner dont les entrées sont des fonctionnelles d'une suite de variables aléatoires à valeurs réelles indépendantes et de même loi. On montre que dans ce contexte la distribution spectrale empirique des matrices peut être obtenue en analysant une matrice gaussienne ayant la même structure de covariance. Cette approche est valide que ce soit pour des processus à mémoire courte ou pour des processus exhibant de la mémoire longue, et on montre ainsi un résultat d'universalité concernant le comportement asymptotique du spectre de ces matrices. Notre approche consiste en un mélange de la méthode de Lindeberg par blocs et d'une technique d'interpolation Gaussienne. Une nouvelle inégalité de concentration pour la transformée de Stieltjes pour des matrices symétriques ayant des lignes $m$-dépendantes est établie. Notre méthode permet d'obtenir, sous de faibles conditions, l'équation intégrale satisfaite par la transformée de Stieltjes de la distribution spectrale limite. Ce résultat s'applique à des matrices associées à des fonctions de processus linéaires, à des modèles ARCH ainsi qu'à des modèles non-linéaires de type Volterra. On traite également le cas des matrices de Gram dont les entrées sont des fonctionnelles d'un processus absolument régulier (i.e. $beta$-mélangeant).On établit une inégalité de concentration qui nous permet de montrer, sous une condition de décroissance arithmétique des coefficients de $beta$-mélange, que la transformée de Stieltjes se concentre autour de sa moyenne. On réduit ensuite le problème à l'étude d'une matrice gaussienne ayant une structure de covariance similaire via la méthode de Lindeberg par blocs. Des applications à des chaînes de Markov stationnaires et Harris récurrentes ainsi qu'à des systèmes dynamiques sont données. Dans le dernier chapitre de cette thèse, on étudie des inégalités de déviation pour la plus grande valeur propre d'une somme de matrices aléatoires auto-adjointes. Plus précisément, on établit une inégalité de type Bernstein pour la plus grande valeur propre de la somme de matrices auto-ajointes, centrées et géométriquement $beta$-mélangeantes dont la plus grande valeur propre est bornée. Ceci étend d'une part le résultat de Merlevède et al. (2009) à un cadre matriciel et généralise d'autre part, à un facteur logarithmique près, les résultats de Tropp (2012) pour des sommes de matrices indépendantes / In this thesis, we investigate mainly the limiting spectral distribution of random matrices having correlated entries and prove as well a Bernstein-type inequality for the largest eigenvalue of the sum of self-adjoint random matrices that are geometrically absolutely regular. We are interested in the asymptotic spectral behavior of sample covariance matrices and Wigner-type matrices having correlated entries that are functions of independent random variables. We show that the limiting spectral distribution can be obtained by analyzing a Gaussian matrix having the same covariance structure. This approximation approach is valid for both short and long range dependent stationary random processes just having moments of second order. Our approach is based on a blend of a blocking procedure, Lindeberg's method and the Gaussian interpolation technique. We also develop new tools including a concentration inequality for the spectral measure for matrices having $K$-dependent rows. This method permits to derive, under mild conditions, an integral equation of the Stieltjes transform of the limiting spectral distribution. Applications to matrices whose entries consist of functions of linear processes, ARCH processes or non-linear Volterra-type processes are also given.We also investigate the asymptotic behavior of Gram matrices having correlated entries that are functions of an absolutely regular random process. We give a concentration inequality of the Stieltjes transform and prove that, under an arithmetical decay condition on the absolute regular coefficients, it is almost surely concentrated around its expectation. The study is then reduced to Gaussian matrices, with a close covariance structure, proving then the universality of the limiting spectral distribution. Applications to stationary Harris recurrent Markov chains and to dynamical systems are also given.In the last chapter, we prove a Bernstein type inequality for the largest eigenvalue of the sum of self-adjoint centered and geometrically absolutely regular random matrices with bounded largest eigenvalue. This inequality is an extension to the matrix setting of the Bernstein-type inequality obtained by Merlev`ede et al. (2009) and a generalization, up to a logarithmic term, of Tropp's inequality (2012) by relaxing the independence hypothesis

Cette thèse porte sur plusieurs questions liées aux mesures de Yang-Mills planaires et aux champs markoviens d'holonomies planaires. Les problèmes sont de deux sortes : étude des champs markoviens d'holonomies planaires pour un groupe de structure donné et l'étude asymptotique des mesures de Yang-Mills lorsque la dimension du groupe tend vers l'infini. On définit la notion de champs markoviens d'holonomies planaires qui axiomatise la notion de mesures de Yang-Mills planaires. En utilisant une nouvelle symétrie en théorie des probabilités, l'invariance par tresse, on construit, caractérise et classifie les champs markoviens d'holonomies planaires. Nous montrons que tout champ markovien d'holonomies planaire est associé à un processus de Lévy qui satisfait une condition de symétrie et vice-versa. Ceci nous permet de caractériser, pour les surfaces sphériques, les champs markoviens d'holonomies tels que définis précédemment par Thierry Lévy. Lorsque le groupe de structure est le groupe symétrique, on peut construire le champ markovien d'holonomies planaire associé grâce à un modèle de revêtements aléatoires. On prouve la convergence des monodromies de ce revêtement aléatoire en s'appuyant sur l'étude, développée dans cette thèse, de l'asymptotique des matrices aléatoires invariantes par conjugaison par le groupe symétrique. / This thesis focuses on planar Yang-Mills measures and planar Markovian holonomy fields. We consider two different questions : the study of planar Markovian holonomy fields with fixed structure group and the asymptotic study of the planar Yang-Mills measures when the dimension of the structure group grows. We define the notion of planar Markovian holonomy fields which generalizes the concept of planar Yang-Mills measures. We construct, characterize and classify the planar Markovian holonomy fields by introducing a new symmetry : the invariance under the action of braids. We show that there is a bijection between planar Markovian holonomy fields and some equivalent classes of Lévy processes. We use these results in order to characterize Markovian holonomy fields on spherical surfaces. The Markovian holonomy fields with the symmetric group as structure group can be constructed using random ramified coverings. We prove that the monodromies of these models of random ramified coverings converge as the number of sheets of the covering goes to infinity. To prove this, we develop general tools in order to study the limits of families of random matrices invariant by the symmetric group. This allows us to generalize ideas, developped by Thierry Lévy in order to study the planar Yang-Mills measure with the unitary structure group, to the setting where the structure group is the symmetric group.

Cette thèse est consacrée à l’étude de systèmes de particules modélisant des particules chargées en interaction, ou les valeurs propres de matrices aléatoires. On s’intéresse aux gaz de particules avec interaction logarithmique en dimension 1 et 2, et aux interactions de Coulomb/Riesz en dimension générale. On étudie leur comportement microscopique à travers un principe de grandes déviations satisfait par la loi des champs empiriques et gouverné par une fonctionnelle d’énergie libre qui met en évidence la dépendance en la température. Parmi les minimiseurs de cette énergie libre, on compte les processus ponctuels Sine-beta définis dans le contexte des matrices aléatoires. On démontre la convergence vers un processus de Poisson à haute température et, en dimension 1, on prouve la cristallisation du système dans la limite de basse température. Dans le cas des interactions logarithmiques en dimension 2, on montre une loi locale qui contrôle les fluctuations à toute échelle mésoscopique. On traite aussi le cas du gaz de Coulomb 2D avec des charges de signes opposés. / This thesis is devoted to the study of statistical physics systems which can represent charged interacting particles or eigenvalues of random matrices. We are interested in particle gases with logarithmic interaction in dimension 1 and 2 and with Coulomb/Riesz interactions in general dimension. We study the microscopic behavior by establishing a large deviation principle for the law of the empirical fields, governed by a free energy functional in which the temperature dependence appears. Minimizers of this free energy include the Sine-beta point processes defined in random matrix theory. We show the convergence to a Poisson point process at high temperature and in dimension 1 we prove crystallization in the zero temperature limit. For two-dimensional log-gases we establish a local law which bounds the fluctuations at any mesoscopic scale. We also treat the case of a 2D Coulomb gas with charges of opposite sign.

Cette thèse présente des résultats nouveaux dans deux sujets de la physique statistique du désordre: les modèles aux energies aléatoires logarithmiquement corrélées (logREMs), et la transition de localisation dans les matrices aléatoires à longues portées.Dans la première partie consacrée aux logREMs, nous montrons comment décrire leurs points communs et les données spécifiques aux modèles particuliers. Ensuite nous appliquons la méthode de la brisure de symétrie des répliques pour les étudier en general, et en déduirons la transition vitreuse et le processus des minima, en termes de processus de Poisson décorés. Nous présentons également une série d'application des polynômes de Jack à la prédiction exactes des observables dans le modèle circulaire et ses variants. Finalement, nous décrivons les progrès récents sur la connexion exacte entre les logREMs et la théorie conforme de Liouville.La seconde partie a pour but d'introduire une nouvelle classe de matrices aléatoires à bandes, dite la classe des distributions larges; elle ressemble essentiellement aux matrices creuses. Nous étudions d'abord un modèle particulier de la classe, les matrices aléatoires Bêta, qui sont inspirées par une correspondence exacte à un modèle statistique récemment étudié, celui de la dynamique épidémique. A l'aide des arguments analytiques appuyés sur la correspondence et des simulations numériques, nous montrons l'existence des transitions de localisation avec des valeurs propres critiques dans le régime des paramètres dit d'exponentielle étirée. Ensuite, en utilisant une approche de renormalisation et de diagonalisation par blocs, nous soutenons que les transitions de localisation sont en général présentes dans la class des distributions larges. / This thesis presents original results in two domains of disordered statistical physics: logarithmic correlated Random Energy Models (logREMs), and localization transition in long-range random matrices.In the first part devoted to logREMs, we show how to characterise their common properties and model--specific data. Then we develop their replica symmetry breaking treatment, which leads to the freezing scenario of their free energy distribution and the general description of their minima process, in terms of decorated Poisson point process. We also report a series of new applications of the Jack polynomials in the exact predictions of some observables in the circular model and its variants. Finally, we present the recent progress on the exact connection between logREMs and the Liouville conformal field theory.The goal of the second part is to introduce and study a new class of banded random matrices, the broadly distributed class, which is characterid an effective sparseness. We will first study a specific model of the class, the Beta Banded random matrices, inspired by an exact mapping to a recently studied statistical model of long--range first--passage percolation/epidemics dynamics. Using analytical arguments based on the mapping and numerics, we show the existence of localisation transitions with mobility edges in the ``stretch--exponential'' parameter--regime of the statistical models. Then, using a block--diagonalization renormalization approach, we argue that such localization transitions occur generically in the broadly distributed class.

Le défi du BigData entraîne un besoin pour les algorithmes d'apprentissage automatisé de s'adapter aux données de grande dimension et de devenir plus efficace. Récemment, une nouvelle direction de recherche est apparue qui consiste à analyser les méthodes d’apprentissage dans le régime moderne où le nombre n et la dimension p des données sont grands et du même ordre. Par rapport au régime conventionnel où n>>p, le régime avec n,p sont grands et comparables est particulièrement intéressant, car les performances d’apprentissage dans ce régime restent sensibles à l’ajustement des hyperparamètres, ouvrant ainsi une voie à la compréhension et à l’amélioration des techniques d’apprentissage pour ces données de grande dimension.L'approche technique de cette thèse s'appuie sur des outils avancés de statistiques de grande dimension, nous permettant de mener des analyses allant au-delà de l'état de l’art. La première partie de la thèse est consacrée à l'étude de l'apprentissage semi-supervisé sur des grandes données. Motivés par nos résultats théoriques, nous proposons une alternative supérieure à la méthode semi-supervisée de régularisation laplacienne. Les méthodes avec solutions implicites, comme les SVMs et la régression logistique, sont ensuite étudiées sous des modèles de mélanges réalistes, fournissant des détails exhaustifs sur le mécanisme d'apprentissage. Plusieurs conséquences importantes sont ainsi révélées, dont certaines sont même en contradiction avec la croyance commune. / The BigData challenge induces a need for machine learning algorithms to evolve towards large dimensional and more efficient learning engines. Recently, a new direction of research has emerged that consists in analyzing learning methods in the modern regime where the number n and the dimension p of data samples are commensurately large. Compared to the conventional regime where n>>p, the regime with large and comparable n,p is particularly interesting as the learning performance in this regime remains sensitive to the tuning of hyperparameters, thus opening a path into the understanding and improvement of learning techniques for large dimensional datasets.The technical approach employed in this thesis draws on several advanced tools of high dimensional statistics, allowing us to conduct more elaborate analyses beyond the state of the art. The first part of this dissertation is devoted to the study of semi-supervised learning on high dimensional data. Motivated by our theoretical findings, we propose a superior alternative to the standard semi-supervised method of Laplacian regularization. The methods involving implicit optimizations, such as SVMs and logistic regression, are next investigated under realistic mixture models, providing exhaustive details on the learning mechanism. Several important consequences are thus revealed, some of which are even in contradiction with common belief.

Cette thèse est consacrée à l'étude des matrices aléatoires et à quelques unes de leurs applications en physique, en particulier en physique statistique et en physique quantique.C'est un travail essentiellement analytique complété par quelques simulations numériques Monte Carlo. Dans un premier temps j'introduis la théorie des matrices aléatoires de façon assez générale : je définis les principaux ensembles de matrices aléatoires (en particulier gaussiens) et décris leurs propriétés fondamentales (distribution des valeurs propres, densité, etc). Dans un second temps je m'intéresse à des systèmes physiques d'interfaces à l'équilibre qui peuvent être modélisés par des marcheurs ``vicieux'', c'est-à-dire des marcheurs aléatoires conditionnés à ne pas se croiser. On peut montrer que la distribution des positions des marcheurs à un temps donné est exactement celle des valeurs propres d'une matrice aléatoire. J'étudie ensuite un problème physique qui relève d'un domaine très différent, celui de l'information quantique, mais qui est également étroitement relié aux matrices aléatoires: celui de l'intrication pour des états aléatoires dans un système quantique bipartite (fait de deux sous-parties) de grande taille. Enfin je m'intéresse à certaines propriétés des matrices aléatoires comme la distribution du nombre de valeurs propres positives ou encore la distribution de la valeur propre maximale (loi de Tracy-Widom près de la moyenne et grandes déviations loin de la moyenne). / This thesis presents a study of random matrices and some applications in physics, in particular in statistical physics and quantum physics. This work is mostly analytic, but I also performed some Monte Carlo numerical simulations. First I introduce random matrix theory: I define the main random matrix ensembles (in particular Gaussian ensembles) and describe their fundamental properties (distribution of the eigenvalues, density...). Then I study a physical system of interfaces at equilibrium that can be modeled by ``vicious walkers'', ie random walkers that can not meet each other.One can show that the distribution of the positions of the walkers at a given time is the same as the distribution of the eigenvalues of a random matrix. I also consider a problem coming from a very different field, the field of quantum information theory, but that is also closely related to random matrices: the distribution of entanglement for random states in a large bipartite quatum system (made of two parts). Finally I study some properties of random matrices such as the distribution of the number of positive eigenvalues or the one of the maximal eigenvalue (Tracy-Widom and large deviations).