Dans les dernières années, plusieurs problèmes ont été étudiés à l'interface entre la physique statistique et l'informatique. La raison étant que, souvent, ces problèmes peuvent être réinterprétés dans le langage de la physique des systèmes désordonnés, où un grand nombre de variables interagit à travers champs locales qui dépendent de l'état du quartier environnant. Parmi les nombreuses applications de l'optimisation combinatoire le routage optimal sur les réseaux de communication est l'objet de la première partie de la thèse. Nous allons exploiter la méthode de la cavité pour formuler des algorithmes efficaces de type ‘’message-passing’’ et donc résoudre plusieurs variantes du problème grâce à sa mise en œuvre numérique. Dans un deuxième temps, nous allons décrire un modèle pour approcher la version dynamique de la méthode de la cavité, ce qui permet de diminuer la complexité du problème de l'exponentielle de polynôme dans le temps. Ceci sera obtenu en utilisant le formalisme de ‘’Matrix Product State’’ de la mécanique quantique.Un autre sujet qui a suscité beaucoup d'intérêt en physique statistique de processus dynamiques est la marche aléatoire sur les réseaux. La théorie a été développée depuis de nombreuses années dans le cas que la topologie dessous est un réseau de dimension d. Au contraire le cas des réseaux aléatoires a été abordé que dans la dernière décennie, laissant de nombreuses questions encore ouvertes pour obtenir des réponses. Démêler plusieurs aspects de ce thème fera l'objet de la deuxième partie de la thèse. En particulier, nous allons étudier le nombre moyen de sites distincts visités au cours d'une marche aléatoire et caractériser son comportement en fonction de la topologie du graphe. Enfin, nous allons aborder les événements rares statistiques associées aux marches aléatoires sur les réseaux en utilisant le ‘’Large deviations formalism’’. Deux types de transitions de phase dynamiques vont se poser à partir de simulations numériques. Nous allons conclure décrivant les principaux résultats d'une œuvre indépendante développée dans le cadre de la physique hors de l'équilibre. Un système résoluble en deux particules browniens entouré par un bain thermique sera étudiée fournissant des détails sur une interaction à médiation par du bain résultant de la présence du bain. / In the last years several problems been studied at the interface between statistical physics and computer science. The reason being that often these problems can be reinterpreted in the language of physics of disordered systems, where a big number of variables interacts through local fields dependent on the state of the surrounding neighborhood. Among the numerous applications of combinatorial optimisation the optimal routing on communication networks is the subject of the first part of the thesis. We will exploit the cavity method to formulate efficient algorithms of type message-passing and thus solve several variants of the problem through its numerical implementation. At a second stage, we will describe a model to approximate the dynamic version of the cavity method, which allows to decrease the complexity of the problem from exponential to polynomial in time. This will be obtained by using the Matrix Product State formalism of quantum mechanics. Another topic that has attracted much interest in statistical physics of dynamic processes is the random walk on networks. The theory has been developed since many years in the case the underneath topology is a d-dimensional lattice. On the contrary the case of random networks has been tackled only in the past decade, leaving many questions still open for answers. Unravelling several aspects of this topic will be the subject of the second part of the thesis. In particular we will study the average number of distinct sites visited during a random walk and characterize its behaviour as a function of the graph topology. Finally, we will address the rare events statistics associated to random walks on networks by using the large-deviations formalism. Two types of dynamic phase transitions will arise from numerical simulations, unveiling important aspects of these problems. We will conclude outlining the main results of an independent work developed in the context of out-of-equilibrium physics. A solvable system made of two Brownian particles surrounded by a thermal bath will be studied providing details about a bath-mediated interaction arising for the presence of the bath.

xv, 177 p. : ill. (some col.) A print copy of this thesis is available through the UO Libraries. Search the library catalog for the location and call number. / When two or more fluorescent chromophores are closely spaced in a macromolecular complex, dipolar coupling leads to delocalization of the excited states, forming excitons. The relative transition frequencies and magnitudes are sensitive to conformation, which can then be studied with optical spectroscopy. Non-invasive fluorescence spectroscopy techniques are useful tools for the study of dilute concentrations of such naturally fluorescent or fluorescently labeled biological systems. This dissertation presents two phase-selective fluorescence spectroscopy techniques for the study of dynamical processes in bio-molecular systems across a wide range of timescales. Polarization-modulated Fourier imaging correlation spectroscopy (PM-FICS) is a novel phase-selective fluorescence spectroscopy for simultaneous study of translational and conformational dynamics. We utilize modulated polarization and intensity gratings with phase-sensitive signal collection to monitor the collective fluctuations of an ensemble of fluorescent molecules. The translational and conformational dynamics can be separated and analyzed separately to generate 2D spectral densities and joint probability distributions. We present results of PM-FICS experiments on DsRed, a fluorescent protein complex. Detailed information on thermally driven dipole-coupled optical switching pathways is found, for which we propose a conformation transition mechanism. 2D phase-modulation electronic coherence spectroscopy is a third-order nonlinear spectroscopy that uses collinear pulse geometry and acousto-optic phase modulation to isolate rephasing and nonrephasing contributions to the collected fluorescence signal. We generate 2D spectra, from which we are able to determine relative dipole orientations, and therefore structural conformation, in addition to detailed coupling information. We present results of experiments on magnesium tetraphenylporphyrin dimers in lipid vesicle bilayers. The 2D spectra show clearly resolved diagonal and off-diagonal features, evidence of exciton behavior. The amplitudes of the distinct spectral features change on a femtosecond timescale, revealing information on time-dependent energy transfer dynamics. This dissertation includes co-authored and previously published material. / Committee in charge: Hailin Wang, Chairperson, Physics; Andrew Marcus, Advisor, Chemistry; Stephen Gregory, Member, Physics; Michael Raymer, Member, Physics; Marina Guenza, Outside Member, Chemistry

Desde os trabalhos de Clausius, Boltzmann e Gibbs, sabe-se que partículas que interagem através de potenciais de curto alcance alcançam, após um processo de relaxação, o estado final estacionário que corresponde ao equilíbrio termodinâmico [I]. Embora nenhuma prova exata exista para isso, na prática, verifica-se que os sistemas não-integráveis com uma energia fixa e um número finito de partículas (ensemble microcanônico, por exemplo) sempre relaxam para um estado estacionário que só depende de quantidades globais conservadas pela dinâmica: energia, momentum e momentum angular. Este estado estacionário corresponde ao estado de equilíbrio termodinâmico e não depende das especificidades da distribuição inicial de partículas. Este cenário muda drasticamente quando a interação entre as partículas passa a ser de longo alcance [2]. A descrição estatística e termodinâmica desses sistemas ainda é objeto de estudo. Contudo, o que se sabe é que esses sistemas têm como propriedade fundamental o fato de que, no limite termodinâmico o tempo de colisão diverge e o equilíbrio termodinâmico nunca é atingido [3]. Nesse trabalho analisamos do ponto de vista teórico e por simulação de dinâmica molecular o estado estacionário atingido por sistemas auto-gravitantes em uma, duas e três dimensões e plasmas não-neutros na dinâmica de um feixe de partículas carregadas. Analisamos ainda um modelo com transição de fases para o estado fora do equilíbrio (HMF). Em todos os casos a teoria proposta na tese mostrou-se consistente com os simulações numéricas empregadas. / Since the work of Clausius, Boltzmann and Gibbs, it is known that particles interacting by a short-range potential, after a relaxation process, reach a final stationary state that corresponds to thermodynamic equilibrium. Although no exact proof exists, in practice non-integrable systems with fixed energy and a finite number of particles (i.e., microcanonical ensemble) always relax to a stationary state that depends only on global quantities conserved by the dynamics: energy, momentum and angular momentum. This stationary state corresponds to the state of thermodynamic equilibrium and does not depend on the specifics of the initial particle distribution. This scenario changes drastically when the interaction between particles is longranged [2] The statistical and thermodynamic description of these systems is still an object of study. However, a fundamental property of these systems is the fact that, in the thermodynamic limit, the collision time diverges and thermodynamic equilibrium is never achieved [3].. In this thesis we analyse, from a theoretical point of view and using molecular dynamics simulations, the stationary state achieved by self-gravitating systems in one, two and three dimensions and non-neutral plasmas in the dynamics of charged particle beams. We also analyse a model with out-of-equilibrium phase transitions (HMF). In all these cases, the theory proposed in this thesis is shown to be consistent with the numerical simulations applied.

Desde os trabalhos de Clausius, Boltzmann e Gibbs, sabe-se que partículas que interagem através de potenciais de curto alcance alcançam, após um processo de relaxação, o estado final estacionário que corresponde ao equilíbrio termodinâmico [I]. Embora nenhuma prova exata exista para isso, na prática, verifica-se que os sistemas não-integráveis com uma energia fixa e um número finito de partículas (ensemble microcanônico, por exemplo) sempre relaxam para um estado estacionário que só depende de quantidades globais conservadas pela dinâmica: energia, momentum e momentum angular. Este estado estacionário corresponde ao estado de equilíbrio termodinâmico e não depende das especificidades da distribuição inicial de partículas. Este cenário muda drasticamente quando a interação entre as partículas passa a ser de longo alcance [2]. A descrição estatística e termodinâmica desses sistemas ainda é objeto de estudo. Contudo, o que se sabe é que esses sistemas têm como propriedade fundamental o fato de que, no limite termodinâmico o tempo de colisão diverge e o equilíbrio termodinâmico nunca é atingido [3]. Nesse trabalho analisamos do ponto de vista teórico e por simulação de dinâmica molecular o estado estacionário atingido por sistemas auto-gravitantes em uma, duas e três dimensões e plasmas não-neutros na dinâmica de um feixe de partículas carregadas. Analisamos ainda um modelo com transição de fases para o estado fora do equilíbrio (HMF). Em todos os casos a teoria proposta na tese mostrou-se consistente com os simulações numéricas empregadas. / Since the work of Clausius, Boltzmann and Gibbs, it is known that particles interacting by a short-range potential, after a relaxation process, reach a final stationary state that corresponds to thermodynamic equilibrium. Although no exact proof exists, in practice non-integrable systems with fixed energy and a finite number of particles (i.e., microcanonical ensemble) always relax to a stationary state that depends only on global quantities conserved by the dynamics: energy, momentum and angular momentum. This stationary state corresponds to the state of thermodynamic equilibrium and does not depend on the specifics of the initial particle distribution. This scenario changes drastically when the interaction between particles is longranged [2] The statistical and thermodynamic description of these systems is still an object of study. However, a fundamental property of these systems is the fact that, in the thermodynamic limit, the collision time diverges and thermodynamic equilibrium is never achieved [3].. In this thesis we analyse, from a theoretical point of view and using molecular dynamics simulations, the stationary state achieved by self-gravitating systems in one, two and three dimensions and non-neutral plasmas in the dynamics of charged particle beams. We also analyse a model with out-of-equilibrium phase transitions (HMF). In all these cases, the theory proposed in this thesis is shown to be consistent with the numerical simulations applied.

Desde os trabalhos de Clausius, Boltzmann e Gibbs, sabe-se que partículas que interagem através de potenciais de curto alcance alcançam, após um processo de relaxação, o estado final estacionário que corresponde ao equilíbrio termodinâmico [I]. Embora nenhuma prova exata exista para isso, na prática, verifica-se que os sistemas não-integráveis com uma energia fixa e um número finito de partículas (ensemble microcanônico, por exemplo) sempre relaxam para um estado estacionário que só depende de quantidades globais conservadas pela dinâmica: energia, momentum e momentum angular. Este estado estacionário corresponde ao estado de equilíbrio termodinâmico e não depende das especificidades da distribuição inicial de partículas. Este cenário muda drasticamente quando a interação entre as partículas passa a ser de longo alcance [2]. A descrição estatística e termodinâmica desses sistemas ainda é objeto de estudo. Contudo, o que se sabe é que esses sistemas têm como propriedade fundamental o fato de que, no limite termodinâmico o tempo de colisão diverge e o equilíbrio termodinâmico nunca é atingido [3]. Nesse trabalho analisamos do ponto de vista teórico e por simulação de dinâmica molecular o estado estacionário atingido por sistemas auto-gravitantes em uma, duas e três dimensões e plasmas não-neutros na dinâmica de um feixe de partículas carregadas. Analisamos ainda um modelo com transição de fases para o estado fora do equilíbrio (HMF). Em todos os casos a teoria proposta na tese mostrou-se consistente com os simulações numéricas empregadas. / Since the work of Clausius, Boltzmann and Gibbs, it is known that particles interacting by a short-range potential, after a relaxation process, reach a final stationary state that corresponds to thermodynamic equilibrium. Although no exact proof exists, in practice non-integrable systems with fixed energy and a finite number of particles (i.e., microcanonical ensemble) always relax to a stationary state that depends only on global quantities conserved by the dynamics: energy, momentum and angular momentum. This stationary state corresponds to the state of thermodynamic equilibrium and does not depend on the specifics of the initial particle distribution. This scenario changes drastically when the interaction between particles is longranged [2] The statistical and thermodynamic description of these systems is still an object of study. However, a fundamental property of these systems is the fact that, in the thermodynamic limit, the collision time diverges and thermodynamic equilibrium is never achieved [3].. In this thesis we analyse, from a theoretical point of view and using molecular dynamics simulations, the stationary state achieved by self-gravitating systems in one, two and three dimensions and non-neutral plasmas in the dynamics of charged particle beams. We also analyse a model with out-of-equilibrium phase transitions (HMF). In all these cases, the theory proposed in this thesis is shown to be consistent with the numerical simulations applied.

Extracting useful knowledge from data sets is a key concept in modern information systems. Consequently, the need of efficient techniques to extract the desired knowledge has been growing over time. Machine learning is a research field dedicated to the development of techniques capable of enabling a machine to \"learn\" from data. Many techniques have been proposed so far, but there are still issues to be unveiled specially in interdisciplinary research. In this thesis, we explore the advantages of network data representation to develop machine learning techniques based on dynamical processes on networks. The network representation unifies the structure, dynamics and functions of the system it represents, and thus is capable of capturing the spatial, topological and functional relations of the data sets under analysis. We develop network-based techniques for the three machine learning paradigms: supervised, semi-supervised and unsupervised. The random walk dynamical process is used to characterize the access of unlabeled data to data classes, configuring a new heuristic we call ease of access in the supervised paradigm. We also propose a classification technique which combines the high-level view of the data, via network topological characterization, and the low-level relations, via similarity measures, in a general framework. Still in the supervised setting, the modularity and Katz centrality network measures are applied to classify multiple observation sets, and an evolving network construction method is applied to the dimensionality reduction problem. The semi-supervised paradigm is covered by extending the ease of access heuristic to the cases in which just a few labeled data samples and many unlabeled samples are available. A semi-supervised technique based on interacting forces is also proposed, for which we provide parameter heuristics and stability analysis via a Lyapunov function. Finally, an unsupervised network-based technique uses the concepts of pinning control and consensus time from dynamical processes to derive a similarity measure used to cluster data. The data is represented by a connected and sparse network in which nodes are dynamical elements. Simulations on benchmark data sets and comparisons to well-known machine learning techniques are provided for all proposed techniques. Advantages of network data representation and dynamical processes for machine learning are highlighted in all cases / A extração de conhecimento útil a partir de conjuntos de dados é um conceito chave em sistemas de informação modernos. Por conseguinte, a necessidade de técnicas eficientes para extrair o conhecimento desejado vem crescendo ao longo do tempo. Aprendizado de máquina é uma área de pesquisa dedicada ao desenvolvimento de técnicas capazes de permitir que uma máquina \"aprenda\" a partir de conjuntos de dados. Muitas técnicas já foram propostas, mas ainda há questões a serem reveladas especialmente em pesquisas interdisciplinares. Nesta tese, exploramos as vantagens da representação de dados em rede para desenvolver técnicas de aprendizado de máquina baseadas em processos dinâmicos em redes. A representação em rede unifica a estrutura, a dinâmica e as funções do sistema representado e, portanto, é capaz de capturar as relações espaciais, topológicas e funcionais dos conjuntos de dados sob análise. Desenvolvemos técnicas baseadas em rede para os três paradigmas de aprendizado de máquina: supervisionado, semissupervisionado e não supervisionado. O processo dinâmico de passeio aleatório é utilizado para caracterizar o acesso de dados não rotulados às classes de dados configurando uma nova heurística no paradigma supervisionado, a qual chamamos de facilidade de acesso. Também propomos uma técnica de classificação de dados que combina a visão de alto nível dos dados, por meio da caracterização topológica de rede, com relações de baixo nível, por meio de medidas de similaridade, em uma estrutura geral. Ainda no aprendizado supervisionado, as medidas de rede modularidade e centralidade Katz são aplicadas para classificar conjuntos de múltiplas observações, e um método de construção evolutiva de rede é aplicado ao problema de redução de dimensionalidade. O paradigma semissupervisionado é abordado por meio da extensão da heurística de facilidade de acesso para os casos em que apenas algumas amostras de dados rotuladas e muitas amostras não rotuladas estão disponíveis. É também proposta uma técnica semissupervisionada baseada em forças de interação, para a qual fornecemos heurísticas para selecionar parâmetros e uma análise de estabilidade mediante uma função de Lyapunov. Finalmente, uma técnica não supervisionada baseada em rede utiliza os conceitos de controle pontual e tempo de consenso de processos dinâmicos para derivar uma medida de similaridade usada para agrupar dados. Os dados são representados por uma rede conectada e esparsa na qual os vértices são elementos dinâmicos. Simulações com dados de referência e comparações com técnicas de aprendizado de máquina conhecidas são fornecidos para todas as técnicas propostas. As vantagens da representação de dados em rede e de processos dinâmicos para o aprendizado de máquina são evidenciadas em todos os casos

Extracting useful knowledge from data sets is a key concept in modern information systems. Consequently, the need of efficient techniques to extract the desired knowledge has been growing over time. Machine learning is a research field dedicated to the development of techniques capable of enabling a machine to \"learn\" from data. Many techniques have been proposed so far, but there are still issues to be unveiled specially in interdisciplinary research. In this thesis, we explore the advantages of network data representation to develop machine learning techniques based on dynamical processes on networks. The network representation unifies the structure, dynamics and functions of the system it represents, and thus is capable of capturing the spatial, topological and functional relations of the data sets under analysis. We develop network-based techniques for the three machine learning paradigms: supervised, semi-supervised and unsupervised. The random walk dynamical process is used to characterize the access of unlabeled data to data classes, configuring a new heuristic we call ease of access in the supervised paradigm. We also propose a classification technique which combines the high-level view of the data, via network topological characterization, and the low-level relations, via similarity measures, in a general framework. Still in the supervised setting, the modularity and Katz centrality network measures are applied to classify multiple observation sets, and an evolving network construction method is applied to the dimensionality reduction problem. The semi-supervised paradigm is covered by extending the ease of access heuristic to the cases in which just a few labeled data samples and many unlabeled samples are available. A semi-supervised technique based on interacting forces is also proposed, for which we provide parameter heuristics and stability analysis via a Lyapunov function. Finally, an unsupervised network-based technique uses the concepts of pinning control and consensus time from dynamical processes to derive a similarity measure used to cluster data. The data is represented by a connected and sparse network in which nodes are dynamical elements. Simulations on benchmark data sets and comparisons to well-known machine learning techniques are provided for all proposed techniques. Advantages of network data representation and dynamical processes for machine learning are highlighted in all cases / A extração de conhecimento útil a partir de conjuntos de dados é um conceito chave em sistemas de informação modernos. Por conseguinte, a necessidade de técnicas eficientes para extrair o conhecimento desejado vem crescendo ao longo do tempo. Aprendizado de máquina é uma área de pesquisa dedicada ao desenvolvimento de técnicas capazes de permitir que uma máquina \"aprenda\" a partir de conjuntos de dados. Muitas técnicas já foram propostas, mas ainda há questões a serem reveladas especialmente em pesquisas interdisciplinares. Nesta tese, exploramos as vantagens da representação de dados em rede para desenvolver técnicas de aprendizado de máquina baseadas em processos dinâmicos em redes. A representação em rede unifica a estrutura, a dinâmica e as funções do sistema representado e, portanto, é capaz de capturar as relações espaciais, topológicas e funcionais dos conjuntos de dados sob análise. Desenvolvemos técnicas baseadas em rede para os três paradigmas de aprendizado de máquina: supervisionado, semissupervisionado e não supervisionado. O processo dinâmico de passeio aleatório é utilizado para caracterizar o acesso de dados não rotulados às classes de dados configurando uma nova heurística no paradigma supervisionado, a qual chamamos de facilidade de acesso. Também propomos uma técnica de classificação de dados que combina a visão de alto nível dos dados, por meio da caracterização topológica de rede, com relações de baixo nível, por meio de medidas de similaridade, em uma estrutura geral. Ainda no aprendizado supervisionado, as medidas de rede modularidade e centralidade Katz são aplicadas para classificar conjuntos de múltiplas observações, e um método de construção evolutiva de rede é aplicado ao problema de redução de dimensionalidade. O paradigma semissupervisionado é abordado por meio da extensão da heurística de facilidade de acesso para os casos em que apenas algumas amostras de dados rotuladas e muitas amostras não rotuladas estão disponíveis. É também proposta uma técnica semissupervisionada baseada em forças de interação, para a qual fornecemos heurísticas para selecionar parâmetros e uma análise de estabilidade mediante uma função de Lyapunov. Finalmente, uma técnica não supervisionada baseada em rede utiliza os conceitos de controle pontual e tempo de consenso de processos dinâmicos para derivar uma medida de similaridade usada para agrupar dados. Os dados são representados por uma rede conectada e esparsa na qual os vértices são elementos dinâmicos. Simulações com dados de referência e comparações com técnicas de aprendizado de máquina conhecidas são fornecidos para todas as técnicas propostas. As vantagens da representação de dados em rede e de processos dinâmicos para o aprendizado de máquina são evidenciadas em todos os casos