Pendant plusieurs années, la microscopie à fluorescence a été limitée par le phénomène de diffraction. Or, pour étudier des phénomènes dynamiques à l’intérieur des cellules, une résolution nanométrique est souvent nécessaire. Pour ce faire, une avancée importante pour la microscopie super-résolution fut l’invention du microscope à déplétion par émission stimulée(STED pour STimulated-Emission-Depletion) (Hell and Wichmann, 1994). Si la microscopieSTED permet d’atteindre la précision nanométrique, celle-ci consiste en une technique extrêmement sophistiquée et son utilisation requiert des connaissances avancées dans plusieurs domaines, par exemple, la physique, la chimie et la biologie. Dans le but de rendre le microscope plus accessible, Durand et al. (2018) tire profit des dernières avancées en intelligence artificielle pour automatiser le paramétrage du STED à l’aide d’une boucle d’optimisation. L’objectif visé est de produire des images avec la plus haute qualité tout en minimisant le photo blanchiment et le temps d’exposition. L’incapacité de mesurer la qualité des images et de choisir un compromis parmi les objectifs nécessite malheureusement toujours la présence d’un expert derrière le microscope. En automatisant l’évaluation de la qualité des images et la sélection de compromis, ce mémoire vise à montrer le potentiel des réseaux de neurones pour l’apprentissage de la préférence en sciences de la vie. / For many years, fluorescent microscopy has been limited by diffraction. However, to study dynamic phenomena inside cells, a nanometric resolution is often necessary. To cope with this problem, an important development for fluorescent microscopy was the invention ofSTimulated-Emission-Depletion microscopy (STED) (Hell and Wichmann, 1994). If STEDachieves nanometric microscopy, it is also an extremely sophisticated technique that requires advanced knowledge across a wide range of domains, e.g. physics, chemistry and biology. With the goal of democratising the microscope, Durand et al. (2018) use the last development in artificial intelligence to automate STED parameterization with an optimisation loop. The objective aimed is to produce high-quality images while minimising photo bleaching and exposition time. The inability of measuring image quality and of choosing between compromise among objectives still forces an expert to stay behind the microscope. By automating the assessment of image quality and the selection of compromise, this master thesis intends to demonstrate the potential of neural networks for preference learning in life science.

De nouvelles technologies comme le téléphone cellulaire ont révolutionné nos échanges comme jamais auparavant. Pour les utilisateurs, ces nouveaux canaux de communication représentent un contexte informel propice à l'exploration d'une forme récente d'écriture qui s'éloigne considérablement de la norme académique : le langage SMS. Devant l'ascension de cette forme d'expression, différentes méthodes ont été testées par le passé pour tenter de normaliser l'écrit SMS, c'est-à-dire le convertir en un français normé en vue de l'appliquer à d'éventuelles tâches de traitement automatique du langage. Or, très rares sont les études réalisées en français qui adoptent les réseaux de neurones comme solution de normalisation. La présente étude vise donc à produire un logiciel prototype pour normaliser automatiquement le langage SMS, en se servant d'une architecture encodeur-décodeur constituée de réseaux de neurones à mémoire à long et à court terme (LSTM). L'architecture neuronale est entraînée et évaluée sur la base du corpus belge de Fairon et al. (2006), en testant le mot et le caractère comme unités de base. Au-delà du logiciel prototype, cette étude se veut surtout une occasion d'explorer les points forts et les points faibles d'une telle approche neuronale dans le cadre de la normalisation du langage SMS. Avec un score BLEU-4 encourageant -- compte tenu de la taille limitée du corpus -- de près de 0,5, le modèle à base de mots est supérieur à celui à base de caractères. Malgré tout, la méthode produit un nombre considérable d'erreurs que nous attribuons en grande partie à la taille modeste du corpus, mais aussi à la nature même des réseaux de neurones.

Tableau d’honneur de la Faculté des études supérieures et postdoctorales, 2010-2011 / Les enképhalines sont une famille de neuropeptides, appartenant à la grande famille des endorphines. Celles-ci furent impliquées dès leurs découvertes dans les réponses physiologiques et comportementales associées à un stress. Les circuits neuronaux enképhalinergiques impliqués dans le stress et l'anxiété demeurent en grande partie méconnus. Cette thèse a pour objectif principal de disséquer ces circuits aux niveaux neuroanatomique et fonctionnel, en mettant l'emphase sur trois structures impliquées dans la réponse de stress et l'anxiété: le complexe amygdalien, les noyaux du lit de la strie terminale (BST), ainsi que le noyau accumbens. Nous avons tout d'abord examiné les afférences enképhalinergiques du complexe amygdalien pour rapporter que ces afférences sont à la fois d'origine intrinsèque (divers noyaux du complexe amygdalien) et extrinsèque (BST, le noyau parabrachial, le noyau ventromedial de l'hypothalamus). Dans l'optique de pouvoir modéliser les circuits enképhalinergiques du complexe amygdalien, nous avons caractérisé le phénotype neurochimique des neurones du complexe amygdalien et du BST. Nous avons précisément décrit la distribution des neurotransmetteurs GABA et glutamate dans ces structures, pour ensuite évaluer la coexpression des enképhalines avec ces neurotransmetteurs. Nous rapportons que les enképhalines sont exprimées par les neurones GABAergiques dans certains noyaux du complexe amygdalien (e.g., le noyau central) et du BST, alors qu'elles sont exprimées uniquement par les neurones glutamatergiques dans d'autres noyaux (e.g., le noyau basolatéral). Ces résultats démontrent l'hétérogénéité neuroanatomique du complexe amygdalien, et permettent également d'émettre des hypothèses précises quant à la circuiterie enképhalinergique impliquée dans la peur et l'anxiété. Dans le but d'étudier le rôle fonctionnel des enképhalines exprimées dans le noyau central de l'amygdale, nous avons injecté localement un vecteur lentiviral induisant une baisse d'expression des enképhalines par la voie d'interférence à l'ARN et soumis les animaux à de multiples tests comportementaux mesurant la peur et l'anxiété. Ces expériences ont démontré qu'une diminution de l'expression des enképhalines dans l'amygdale centrale modulait les niveaux de la peur et de l'anxiété. Pour terminer, nous avons étudié l'expression des enképhalines lors d'une exposition à un stress chronique, et nous avons observé une diminution de l'expression des enképhalines au niveau du noyau accumbens, précisément chez les animaux anhédoniques. Une diminution de l'expression du facteur de transcription [delta]FosB est également observée chez ces animaux. Ce facteur de transcription, tout comme les enképhalines, semble promouvoir la resilience lorsqu'exprimé au niveau du noyau accumbens.

L’objectif de cette thèse est la réalisation expérimentale de calcul bio-inspiré en utilisant la dynamique transitoire d’oscillateurs magnétique nanométriques.Pour bien des tâches telle que la reconnaissance vocale, le cerveau fonctionne bien plus efficacement en terme d’énergie qu’un ordinateur classique. Le développement de puces neuro-inspirées offre donc la perspective de surmonter les limitations des processeurs actuels et de gagner plusieurs ordres de grandeurs sur la consommation énergétique du traitement de données. L’efficacité du cerveau à traiter des données est due à son architecture, qui est particulièrement adaptée à la reconnaissance de motifs. Les briques de base de cette architecture sont les neurones biologiques. Ceux-ci peuvent être vus comme des oscillateurs non linéaires qui interagissent et génèrent des cascades spatiales d’activations en réponse à une excitation. Cependant le cerveau comprend cent milliards de neurones et le développement d’une puce neuro-inspiré requerrait des oscillateurs de très petite dimension. Les oscillateurs à transfert de spin (STNO) sont de taille nanométrique, ont une réponse rapide (de l’ordre de la nanoseconde), sont fortement non-linéaires et leur réponse dépendante du couple de transfert de spin est aisément ajustable (par exemple par l’application d’un courant continu ou d’un champ magnétique). Ils fonctionnent à température ambiante, ont un très faible bruit thermique, et sont compatible avec les technologies CMOS. Ces caractéristiques en font d’excellents candidats pour la réalisation de réseaux artificiels de neurones compatibles avec un ordinateur classique.Dans cette thèse, nous avons utilisé un unique STNO pour générer le comportement d’un réseau de neurones. Ainsi l’oscillateur joue à tour de rôle chaque neurone. Une cascade temporelle remplace donc la cascade spatiale d’un réseau de neurones biologiques. En particulier nous avons utilisé la relaxation et la dépendance non-linéaire de l’amplitude des oscillations afin de réaliser du calcul neuromorphique. L’un des résultats principaux de cette thèse est la réalisation de reconnaissance vocale (reconnaissance de chiffres dits par 5 locuteurs différents) en obtenant un taux de reconnaissance à l’état de l’art de 99.6%. Nous avons pu montrer que les performances de la reconnaissance sont étroitement dépendantes des propriétés physiques du STNO tel que l’évolution de la largeur de raie, la puissance d’émission, ou la fréquence d’émission. Nous avons donc optimisé les conditions expérimentales (champs magnétiques et courant continu appliqués, fréquence du signal à traiter) afin de pouvoir utiliser au mieux les propriétés physiques du STNO pour la reconnaissance.  Les signaux vocaux requièrent d’être transformés du domaine temporel au domaine fréquentiel, avant de pouvoir être traités, et cette étape est réalisée numériquement en amont de l’expérience. Nous avons étudié l’influence de différents prétraitements sur la reconnaissance et mis en évidence le rôle majeur de la non-linéarité de ces derniers. Enfin, afin de pouvoir traiter des problèmes requérant de la mémoire, tel que par exemple des signaux sous forme de séquences temporelles, nous avons mesuré la mémoire que possède intrinsèquement un STNO, du fait de sa relaxation. Nous avons aussi augmenté cette mémoire à l’aide d’une boucle à retard. Ce dispositif a permis d’accroître la plage de mémoire de quelques centaines de nanosecondes à plus d’une dizaine de microsecondes. L’ajout de cette mémoire extrinsèque a permis de supprimer jusqu’à 99% des erreurs sur une tâche de reconnaissance de motifs temporels (reconnaissance de signaux sinusoïdaux et carrés). / This thesis studies experimentally the transient dynamics of magnetic nano-oscillators for brain-inspired computing.For pattern recognition tasks such as speech or visual recognition, the brain is much more energy efficient than classical computers. Developing brain-inspired chips opens the path to overcome the limitations of present processors and to win several orders of magnitude in the energy consumption of data processing. The efficiency of the brain originates from its architecture particularly well adapted for pattern recognition. The building blocks of this architecture are the biological neurons, which can be seen as interacting non-linear oscillators generating spatial chain reactions of activations. Nevertheless, the brain has one hundred billion neurons and a brain-inspired chip would require extremely small dimension oscillators. The spin-transfer torque oscillators (STNO) have nanometric size, they are fast (nanosecond time-scales), highly non-linear and their spin-torque dependent response is easily tunable (for instance by applying an external magnetic field or a d.c. current). They work at room temperature, they have a low thermal noise and they are compatible with CMOS technologies. Because of these features, they are excellent candidates for building hardware neural networks, which are compatible with the standard computers.In this thesis, we used a single STNO to emulate the behavior of a whole neural network. In this time multiplexed approach, the oscillator emulates sequentially each neuron and a temporal chain reaction replace the spatial chain reaction of a biological neural network. In particular, we used the relaxation and the non-linear dependence of the oscillation amplitude with the applied current to perform neuromorphic computing. One of the main results of this thesis is the demonstration of speech recognition (digits said by different speakers) with a state-of-the-art recognition rate of 99.6%. We show that the recognition performance is highly dependent on the physical properties of the STNO, such as the linewidth, the emission power or the frequency. We thus optimized the experimental bias conditions (external applied magnetic field, d.c. current and rate of the input) in order to leverage adequately the physical properties of the STNO for recognition. Voice waveforms require a time-to-frequency transformation before being processed, and this step is performed numerically before the experiment. We studied the influence of different time-to-frequency transformations on the final recognition rate, shading light on the critical role of their non-linear behavior. Finally, in order to solve problems requiring memory, such as temporal sequence analysis, we measured the intrinsic memory of a STNO, which comes from the relaxation of the oscillation amplitude. We also increased this memory, using a delayed feedback loop. This feedback improved the range of memory from a few hundreds of nanoseconds to more than ten microseconds. This feedback memory allows suppressing up to 99% of the errors on a temporal pattern recognition task (discrimination of sine and square waveforms).

Les neurones encodent l’information dans le nombre et la fréquence des potentiels d’action qu’ils déchargent. Les patrons de décharge de potentiels d’action enregistrés dans les animaux vivants varient fortement dans leur nombre et leur fréquence. Les variations dans la fréquence et le nombre de potentiel d’action déchargés affectent drastiquement la plasticité à court terme et le transfert de l’information vers la cellule postsynaptique. Comment les terminaux présynaptiques décodent la fréquence et le nombre de potentiel d’action par des dynamiques calciques spécifiques demeure inconnu. Afin d’explorer cette question, nous avons combiné l’imagerie calcique par microscopie deux photons à accès aléatoire avec l’électrophysiologie dans les tranches aiguës d’hippocampe. Nous avons procédé à l’analyse de l’ultrastructure des terminaux synaptique par immunohistochimie et microscopie électronique. Nous avons découvert que la propagation des potentiels d’action des cellules granulaires aux cellules principales du CA3 était dépendante du nombre de potentiel d’action dans une bouffée, mais était indépendante de la fréquence moyenne des potentiels d’action dans la bouffée. Le nombre de potentiel d’action dans une bouffée était encodé par le terminal présynaptique dans l’homogénéisation spatiale des microdomaines calciques. Cette globalisation des microdomaines calciques dans les terminaux présynaptiques supportait le recrutement de site de relâchements additionnels, suffisant pour augmenter grandement l’amplitude des courants postsynaptiques. De plus, les canaux calciques de type P/Q couplés faiblement aux senseurs calciques et localisés à une distance plus grande des zones actives étaient l’élément clé permettant l’homogénéisation des microdomaines calciques et le recrutement de sites de relâchement additionnels. Ainsi, les fibres moussues de l’hippocampe propagent les potentiels d’action vers les cellules principales du CA3 en fonction du nombre de potentiel d’action dans la bouffée, indépendamment de leur fréquence. Cette transmission est possible grâce à la dynamique calcique présynaptique hautement spécialisée qui optimise l’utilisation d’un grand nombre de sites de relâchement. / Neurons encode information in the number and frequency of action potentials they discharge. Action potentials typically occur in bursts of varying number and frequency, with variations in these two parameters dramatically affecting short-term plasticity and the transfer of information to the postsynaptic neuron. How presynaptic terminals decode the frequency and the number of action potentials through calcium dynamics to gate neurotransmitter remains unknown. To investigate this question, we combined random-access two-photon presynaptic calcium imaging in large mossy fiber terminals and electrophysiology in acute hippocampal slices. We further probed the ultrastructure of the mossy fiber terminals using immunohistochemistry and electron microscopy. We found that action potential propagation from hippocampal granule cells to postsynaptic CA3 pyramidal cells was dependent on the number of action potentials (AP) in the granule cell burst, but was independent of the AP burst average frequency. Interestingly, the number of action potentials in a burst was encoded in presynaptic terminals by the spatial homogenization of calcium microdomains. This globalization of calcium microdomains within single presynaptic terminals supported the recruitment of additional release sites, sufficient to increase the EPSC amplitude several fold. Additionally, loosely-coupled P/Q-type VGCCs from calcium sensors provided the functional basis for the homogenization of calcium microdomains and proved essential for the recruitment of additional release sites. Therefore, hippocampal mossy fiber terminals propagate action potentials to CA3 pyramidal cells as a function of the number of action potentials in the burst, but not the frequency. This counting logic is made possible through specialized spatiotemporal calcium dynamics which optimize the use of a large number of release sites.

Les ganglions de la base (GB) sont formés de structures sous-corticales essentielles à un comportement psychomoteur normal. Le dérèglement d’une seule de ces composantes provoque un comportement moteur inadapté qui peut être très handicapant. La maladie de Parkinson est la pathologie neurodégénérative la plus fréquente affectant les GB. Elle est principalement caractérisée par la dégénérescence progressive des neurones dopaminergiques (DA) de la substance noire pars compacta provoquant l’apparition de symptômes moteurs tels que la bradykinésie, la rigidité musculaire et le tremblement au repos. Cependant, le bouleversement majeur de l’innervation DA des GB conduit également à plusieurs autres changements neuroadaptatifs et compensatoires. Les travaux de recherche décrits dans cette thèse traitent de plusieurs de ces changements qui affectent la microcircuiterie des ganglions de la base et qui se produisent en marge de la perte massive des neurones DA. Tout d’abord, une étude portant sur l’innervation à sérotonine (5-HT) des ganglions de la base en condition normale et effectuée à partir de cerveaux post-mortem humains sera présentée. Cette étude immunohistochimique a permis de décrire la trajectoire qu’empruntent les faisceaux d’axones 5-HT en provenance des noyaux du raphé du tronc cérébral afin d’innerver les différentes composantes des GB. Ensuite, une description plus précise de l’arborisation axonale unitaire des neurones 5-HT provenant du noyau raphé dorsal chez le rat sera apportée. L’injection par microiontophorèse d’un traceur antérograde a permis de marquer et de reconstruire en trois dimensions l’arborisation axonale complète de plusieurs neurones, mettant ainsi en lumière l’hétérogénéité des projections 5-HT ascendantes. Les études seront ensuite présentées ont été effectuées à partir de modèles animaux de la maladie de Parkinson et mettent en valeur d’importants changements compensatoires. Ces travaux ont permis d’identifier de nouveaux phénomènes neuroadaptatifs concernant l’innervation DA et 5-HT du striatum et du globus pallidus (GP) suite à une lésion DA chez le singe cynomolgus (Macaca fascicularis). L’immunohistochimie combinée à une méthode quantitative stéréologique a conduit à mettre en évidence un bourgeonnement important des axones 5-HT dans le striatum ainsi que dans le GP. Une description précise en microscopie électronique de la structure morphologique fine suggère que les nouvelles varicosités axonales 5-HT retrouvées dans le striatum sont fonctionnelles et présentent davantage de contacts synaptiques, en lien avec un phénomène de bourgeonnement axonal. Contrairement à la dénervation DA massive du striatum, nos résultats indiquent une augmentation de près de dix fois le nombre d’axones DA dans le segment interne du GP. Finalement, des reconstructions du domaine somatodendritiques de neurones du striatum effectuées suite à l’injection intracellulaire de fluorophores ont mis en lumière un nouveau sous-type de neurones de projection du striatum. Ces injections effectuées chez un modèle murin de la maladie de Parkinson nous permettent de conclure que ce sous-type de neurones est affecté différemment par une dénervation DA. Dans l’ensemble, les travaux présentés dans cette thèse soulèvent l’importance de l’innervation DA et 5-HT dans le fonctionnement normal des GB, ainsi que les changements neuroadaptatifs qui surviennent dans la maladie de Parkinson. La description précise de ces changements morphologiques doit être prise en compte afin de mieux comprendre l’expression des symptômes moteurs et non-moteurs de la maladie de Parkinson et expliquer l’apparition des dyskinésies qui surviennent chez une vaste majorité des patients parkinsoniens suite à l’administration quotidienne de L-Dopa, principal traitement pharmacologique de la maladie. / The basal ganglia are a set of subcortical structures involved in psychomotor behaviour. Parkinson’s disease is the most common neurodegenerative disorder affecting the basal ganglia. The slow and progressive degeneration of dopamine (DA) neurons located in the substantia nigra pars compacta leads to disabling motor symptoms such as bradykinesia, resting tremor and rigidity. This work aims at describing the compensatory mechanisms affecting other neuronal systems and designed to compensate for the massive loss of the DA innervation of the basal ganglia. The thesis begins with a post-mortem human study of the main serotonin (5-HT) pathways arising from the raphe nuclei and innervating the different basal ganglia components in normal condition. The next chapter contains a morphological study providing the first detailed description of single axons arising from the dorsal raphe nucleus (DRN) in rats. In order to achieve our goal, under electrophysiological guidance, microiontophoretic tracer injections of an anterograde tracer were placed in the DRN to provide three-dimensional axonal reconstructions of single 5-HT neurons. Other studies presented were performed in animal models of Parkinson’s disease and brought to light new compensatory mechanisms involving the 5-HT and DA innervation of the basal ganglia. Two articles contain data on major neuroadaptative changes of DA and 5-HT innervation of the striatum and the globus pallidus (GP), following a DA lesion in cynomolgus monkeys (Macaca fascicularis). Immunohistochemistry combined to unbiased quantitative approaches indicate an important sprouting of 5-HT axons in the monkey striatum and GP. Interestingly, in contrast to the massive striatal DA denervation, we report a ten-time increase of the number of DA axons in the GP internal segment of parkinsonian monkeys. Electron microscopy study suggests that the newly-formed 5-HT axon varicosities observed in the striatum establish more synapses after DA lesion, in line with the sprouting of 5-HT axons. The last chapter contains a meticulous morphological study of a peculiar population of medium spiny neurons endowed with a dendritic arborization that is less affected by DA lesion in mice. In summary, studies presented in this doctoral thesis shed a new light on some of the compensatory mechanisms observed in different basal ganglia components and designed to cope for the massive loss of DA neurons that characterize Parkinson’s disease. The compensatory mechanisms outlined in this work should be taken into account to better understand the expression of motor and non-motor symptoms as well as the expression of dyskinesia induced by long-term pharmacological treatment with L-Dopa.

Dans les Stations de Récupération des Ressources de l'Eau (StaRRE), il est courant d'utiliser des capteurs en ligne à haute fréquence, permettant aux opérateurs de surveiller les processus de traitement en temps réel et de prendre des décisions proactives pour corriger les paramètres de qualité de l'eau si nécessaire. Ces capteurs peuvent également être employés pour surveiller la qualité de l'eau des rivières, fournissant des données précieuses pour une gestion efficace des cours d'eau. Cependant, les études et outils actuels pour l'évaluation de la qualité des données sont généralement basés sur des modèles computationnels qui nécessitent un réglage manuel des paramètres des outils. L'objectif de ce projet de maîtrise est de développer de nouveaux outils en appliquant les principes fondamentaux de l'apprentissage automatique, permettant ainsi à un modèle computationnel de s'auto-ajuster, à partir des données suffisantes, tout en minimisant l'intervention d'un expert. Un nouveau modèle basé sur les Réseaux Neuronaux Artificiels à Mémoire à Court et Long Terme (LSTM en anglais) a été développé, capable de détecter et de remplacer les valeurs aberrantes ou les pannes mineures de capteurs, en traitant l'ensemble des jeux de données brutes tout au long du processus de suivi. Cela est suivi par une étape de calcul des caractéristiques des données, qui quantifie la fiabilité des données selon trois paramètres statistiques calculés en comparant les jeux de données brutes et les prédictions LSTM. Les modèles ont été entraînés en utilisant des données collectées à partir de la station de traitement pilote installée à l'Université Laval et des données de suivi d'une StaRRE et des rivières acquises en partenariat avec le Service public de l'assainissement francilien (SIAAP) en France, où le produit logiciel final sera déployé. Les résultats présentés ont démontré de bonnes performances en ce qui concerne l'élimination des valeurs aberrantes et la quantification de la fiabilité pour la majorité des jeux de données testés. Un guide d'utilisation et des observations générales issues de toutes les études de cas ont été présentés dans les discussions écrites. / In wastewater resource recovery facilities (WRRF), it is common to utilize high-frequency sensors, enabling plant operators to monitor treatment processes in real-time and take proactive decisions to correct water quality as needed, if necessary. These sensors can also be employed to monitor river water quality, providing valuable data for effective river management. However, current studies and tools for data quality assessment are typically based on computational models that require manual tuning of their parameters. The objective of this master's project is to develop new tools by applying machine learning fundamentals that enable a computational model to tune itself, given sufficient data, while minimizing the need for expert intervention. A new model based on Long Short-Term Memory (LSTM) Artificial Neural Networks was developed, capable of detecting and replacing data outliers or small sensor failures, treating entire raw datasets throughout the monitoring process. This is followed by a data feature calculation step, which quantifies data reliability according to three statistical parameters calculated from the comparison of raw datasets and LSTM predictions. The models were trained using data collected from the pilot WRRF installed at Université Laval, and WRRF and river monitoring data acquired in partnership with the *Service public de l'assainissement francilien* (SIAAP) in France, where the final software product is to be deployed. The presented results demonstrated good performance regarding outlier removal and reliability quantification across the majority of datasets tested. A usage guideline and general observations from all case studies are presented in the written discussions.

L’objectif de ce projet de recherche est de développer un modèle d’évaporation de l’eau d’une rivière en milieu boréal. Un site expérimental sur la rivière Natashquan dans la région de la Côte-Nord au Québec a été sélectionné pour y installer une station hydrométéorologique faisant un suivi des variables environnementales locales. Cette rivière est marquante dans le paysage de la Minganie par la superficie de 15 930 km2 de son bassin versant et son débit moyen annuel de 349 m3/s. Ce puissant cours d’eau est une des dernières rivières naturelles de la Côte-Nord n’étant pas harnachée par un barrage. Une campagne constituée de 5 sorties de mesures intensives sur le terrain a été effectuée afin d’observer l’évaporation de l’eau de la rivière par la méthode des mini-lysimètres flottants. Ces derniers s’inspirent du processus derrière le bac évaporatoire de classe A pour obtenir une estimation de l’évaporation in-situ en ayant un petit bac évaporatoire portatif à la surface de l’eau de la rivière. Un modèle d’évaporation par transfert de masse a été développé avec les données récoltées et 8 fonctions de vent de la littérature ont été testées. Puis, un modèle d’évaporation par ensemble de réseaux de neurones a été retenu, car il offrait une meilleure performance que les approches classiques. Ce réseau de neurones ayant comme variables d’entrée la tension de vapeur à saturation, le rayonnement incident d’ondes longues, la vitesse du vent et la tension de vapeur de l’air, permet d’explorer une non linéarité entre les variables qui n’est pas accessible à l’approche de transfert de masse. Ce modèle met en évidence le manque de recherche sur les processus gouvernant l’évaporation fluviale dans le cadre de rivière de grande envergure et particulièrement l’évaporation des rivières du milieu boréal. / The objective of this study was to develop a river evaporation model for the boreal biome. A hydrometeorological station was installed on the bank of the Natashquan river to collect environmental data. The Natashquan river is major hydrographic component of the region with its 15 930 km2 watershed and its 349 m3/s mean annual flow. This powerful watercourse is one of the only remaining significant river that has not yet been dammed in the Côte-Nord region. Five intensive field campaigns were carried out targeting different conditions during the summers of 2018 and 2019. River water evaporation was observed using the floating minipan method. This method, inspired by the process behind the class A evaporation pan, allows small portable evaporation pans to be deployed on the water surface and to monitor in-situ evaporation in more holistic conditions. Observations were used to calibrate the wind function of a mass-transfer evaporation model and compare it with different wind functions taken from the literature. A stacked neural network was selected as the river model based on a higher performance compared to the mass transfer approach. The input variables of the network are the saturation vapour pressure, the incoming longwave radiation, the wind speed and the vapour pressure of the above air. The model allows a nonlinear combination of the selected environmental variables that is not accessible to the mass transfer equations. Therefore, the present study highlights the evident lack of research concerning fluvial evaporation in the context of rivers of considerable size, particularly in the boreal biome.

La demande future de bande passante pour les données dépassera les capacités des systèmes de communication optique actuels, qui approchent de leurs limites en raison des limitations de la bande passante électrique des composants de l’émetteur. L’interférence intersymbole (ISI) due à cette limitation de bande est le principal facteur de dégradation pour atteindre des débits de données élevés. Dans ce mémoire, nous étudions plusieurs techniques de réseaux neuronaux (NN) pour combattre les limites physiques des composants de l’émetteur pilotés à des débits de données élevés et exploitant les formats de modulation avancés avec une détection cohérente. Notre objectif principal avec les NN comme égaliseurs de canaux ISI est de surmonter les limites des récepteurs optimaux conventionnels, en fournissant une complexité évolutive moindre et une solution quasi optimale. Nous proposons une nouvelle architecture bidirectionnelle profonde de mémoire à long terme (BiLSTM), qui est efficace pour atténuer les graves problèmes d’ISI causés par les composants à bande limitée. Pour la première fois, nous démontrons par simulation que notre BiLSTM profonde proposée atteint le même taux d’erreur sur les bits(TEB) qu’un estimateur de séquence à maximum de vraisemblance (MLSE) optimal pour la modulation MDPQ. Les NN étant des modèles pilotés par les données, leurs performances dépendent fortement de la qualité des données d’entrée. Nous démontrons comment les performances du BiLSTM profond réalisable se dégradent avec l’augmentation de l’ordre de modulation. Nous examinons également l’impact de la sévérité de l’ISI et de la longueur de la mémoire du canal sur les performances de la BiLSTM profonde. Nous étudions les performances de divers canaux synthétiques à bande limitée ainsi qu’un canal optique mesuré à 100 Gbaud en utilisant un modulateur photonique au silicium (SiP) de 35 GHz. La gravité ISI de ces canaux est quantifiée grâce à une nouvelle vue graphique des performances basée sur les écarts de performance de base entre les solutions optimales linéaires et non linéaires classiques. Aux ordres QAM supérieurs à la QPSK, nous quantifions l’écart de performance BiLSTM profond par rapport à la MLSE optimale à mesure que la sévérité ISI augmente. Alors qu’elle s’approche des performances optimales de la MLSE à 8QAM et 16QAM avec une pénalité, elle est capable de dépasser largement la solution optimale linéaire à 32QAM. Plus important encore, l’avantage de l’utilisation de modèles d’auto-apprentissage comme les NN est leur capacité à apprendre le canal pendant la formation, alors que la MLSE optimale nécessite des informations précises sur l’état du canal. / The future demand for the data bandwidth will surpass the capabilities of current optical communication systems, which are approaching their limits due to the electrical bandwidth limitations of the transmitter components. Inter-symbol interference (ISI) due to this band limitation is the major degradation factor to achieve high data rates. In this thesis, we investigate several neural network (NN) techniques to combat the physical limits of the transmitter components driven at high data rates and exploiting the advanced modulation formats with coherent detection. Our main focus with NNs as ISI channel equalizers is to overcome the limitations of conventional optimal receivers, by providing lower scalable complexity and near optimal solution. We propose a novel deep bidirectional long short-term memory (BiLSTM) architecture, that is effective in mitigating severe ISI caused by bandlimited components. For the first time, we demonstrate via simulation that our proposed deep BiLSTM achieves the same bit error rate (BER) performance as an optimal maximum likelihood sequence estimator (MLSE) for QPSK modulation. The NNs being data-driven models, their performance acutely depends on input data quality. We demonstrate how the achievable deep BiLSTM performance degrades with the increase in modulation order. We also examine the impact of ISI severity and channel memory length on deep BiLSTM performance. We investigate the performances of various synthetic band-limited channels along with a measured optical channel at 100 Gbaud using a 35 GHz silicon photonic(SiP) modulator. The ISI severity of these channels is quantified with a new graphical view of performance based on the baseline performance gaps between conventional linear and nonlinear optimal solutions. At QAM orders above QPSK, we quantify deep BiLSTM performance deviation from the optimal MLSE as ISI severity increases. While deep BiLSTM approaches the optimal MLSE performance at 8QAM and 16QAM with a penalty, it is able to greatly surpass the linear optimal solution at 32QAM. More importantly, the advantage of using self learning models like NNs is their ability to learn the channel during the training, while the optimal MLSE requires accurate channel state information.

En hydrologie, la simulation de la transformation de la pluie en débit dans les rivières constitue un axe de recherche dynamique. À la mise en oeuvre des nouveaux modèles, il faut ajouter les tentatives d'améliorer ceux existant grâce à la possibilité qu'offrent des nouveaux outils d'acquisition de données et à la puissance de calcul des ordinateurs toujours croissante. La puissance de calcul des nouveaux ordinateurs rend utilisable des algorithmes autrefois difficiles à mettre en oeuvre comme les réseaux de neurones (RN). Les réseaux de neurones ont connu un essor dans la modélisation hydrologique dans les années 1990 où ils ont été essentiellement utilisés dans la mise en oeuvre de modèles pluie-débit. Dans cette thèse l'on cherche à remplacer le module BV3C (bilan vertical 3 couches) du modèle distribué HYDROTEL par un ensemble de réseaux de neurones. BV3C divise le sol en trois couches où il simule les teneurs en eau et les débits sortant de chacune des couches. Cette démarche a pour but d'explorer l'opportunité de remplacer des modules de modèles complexes par des réseaux de neurones qui, une fois optimisés, constituent des outils de calculs très simples, rapides et transportables sur des supports informatiques simples. Le défi d'une telle démarche est de trouver une base de données représentative susceptible d'être utilisée par le module substitué. Dans le cas présent, des données provenant de zones hydro-climatologiques différentes ont été utilisées. Ces données sont utilisées comme entrées du module original extrait de l'ensemble du modèle HYDROTEL. Les résultats de simulation sont classés avant d'être utilisés en partie pour l'optimisation et le test des réseaux de neurones. Les réseaux mis en oeuvre sont testés sur une autre partie des données et dans un cadre opérationnel où les réseaux de neurones sont réintégrés dans le modèle. Les résultats des différents tests montrent tout d'abord que la substitution donne des résultats satisfaisants sur l'ensemble des données qui n'ont servi ni à l'optimisation, ni aux tests des réseaux de neurones. En plus, on enregistre un léger gain de temps. Les résultats sur les teneurs en eau sont nettement meilleurs. Cela s'explique par le fait que celles-ci connaissent de faibles variations dans le temps. Les variations plus importantes des débits des différentes couches rendent plus difficile leur modélisation mais les résultats obtenus rendent la substitution envisageable aussi bien dans le présent cas que dans des modules plus complexes.