The concept of a self-incompatible solvent is introduced as a molecule composed of two parts (compound 1 and 2) with unfavourable interactions. A third compound will be readily dissolved in this solvent to diminish this unfavourable interaction by dilution. The more incompatible compounds 1 and 2 are, the stronger this behaviour is expected to be. In this work, ionic liquids comprising non-polar carbon chain and polar ionic group are chosen to serve as a model of self-incompatible solvent. The interactions parameters k of the ionic liquids with active ingredients are investigated to examine the effect of self-incompatibility of the ionic liquid molecule. On the other hand, phase separation between compounds 1 and 2 will reduce the positive effect of self-incompatibility. The tendency of phase separation is increasing with increasing size of the two compounds. Thus, if compounds 1 and 2 are blocks tied together into a block copolymer, one expects a decreasing ability of the block copolymer to dissolve an active ingredient with increasing block length. In this work the ability of polybutadiene-block-poly(2-vinylpyridine) (PB-b-P2VP) block copolymers to dissolve the model compound anthracene is investigated. As expected, the solubility indeed decreases with increasing block length.

Cette thèse a pour objectif l’étude de trois problèmes : l’estimation de cartes de saillance de l’énergie du bruit apériodique de la marche humaine par la perception de profondeur pour la détection de pathologies, les modèles de détection d’objets saillants en général et les modèles légers en particulier par l’opposition de couleurs. Comme première contribution, nous proposons un système basé sur une caméra de profondeur et un tapis roulant, qui analyse les parties du corps du patient ayant un mouvement irrégulier, en termes de périodicité, pendant la marche. Nous supposons que la marche d'un sujet sain présente n'importe où dans son corps, pendant les cycles de marche, un signal de profondeur avec un motif périodique sans bruit. La présence de bruit et son importance peuvent être utilisées pour signaler la présence et l'étendue de pathologies chez le sujet. Notre système estime, à partir de chaque séquence vidéo, une carte couleur de saillance montrant les zones de fortes irrégularités de marche, en termes de périodicité, appelées énergie de bruit apériodique, de chaque sujet. Notre système permet aussi de détecter automatiquement les cartes des individus sains et ceux malades. Nous présentons ensuite deux approches pour la détection d’objets saillants. Bien qu’ayant fait l’objet de plusieurs travaux de recherche, la détection d'objets saillants reste un défi. La plupart des modèles traitent la couleur et la texture séparément et les considèrent donc implicitement comme des caractéristiques indépendantes, à tort. Comme deuxième contribution, nous proposons une nouvelle stratégie, à travers un modèle simple, presque sans paramètres internes, générant une carte de saillance robuste pour une image naturelle. Cette stratégie consiste à intégrer la couleur dans les motifs de texture pour caractériser une micro-texture colorée, ceci grâce au motif ternaire local (LTP) (descripteur de texture simple mais puissant) appliqué aux paires de couleurs. La dissemblance entre chaque paire de micro-textures colorées est calculée en tenant compte de la non-linéarité des micro-textures colorées et en préservant leurs distances, donnant une carte de saillance intermédiaire pour chaque espace de couleur. La carte de saillance finale est leur combinaison pour avoir des cartes robustes. Le développement des réseaux de neurones profonds a récemment permis des performances élevées. Cependant, il reste un défi de développer des modèles de même performance pour des appareils avec des ressources limitées. Comme troisième contribution, nous proposons une nouvelle approche pour un modèle léger de réseau neuronal profond de détection d'objets saillants, inspiré par les processus de double opposition du cortex visuel primaire, qui lient inextricablement la couleur et la forme dans la perception humaine des couleurs. Notre modèle proposé, CoSOV1net, est entraîné à partir de zéro, sans utiliser de ``backbones'' de classification d'images ou d'autres tâches. Les expériences sur les ensembles de données les plus utilisés et les plus complexes pour la détection d'objets saillants montrent que CoSOV1Net atteint des performances compétitives avec des modèles de l’état-de-l’art, tout en étant un modèle léger de détection d'objets saillants et pouvant être adapté aux environnements mobiles et aux appareils à ressources limitées. / The purpose of this thesis is to study three problems: the estimation of saliency maps of the aperiodic noise energy of human gait using depth perception for pathology detection, and to study models for salient objects detection in general and lightweight models in particular by color opposition. As our first contribution, we propose a system based on a depth camera and a treadmill, which analyzes the parts of the patient's body with irregular movement, in terms of periodicity, during walking. We assume that a healthy subject gait presents anywhere in his (her) body, during gait cycles, a depth signal with a periodic pattern without noise. The presence of noise and its importance can be used to point out presence and extent of the subject’s pathologies. Our system estimates, from each video sequence, a saliency map showing the areas of strong gait irregularities, in terms of periodicity, called aperiodic noise energy, of each subject. Our system also makes it possible to automatically detect the saliency map of healthy and sick subjects. We then present two approaches for salient objects detection. Although having been the subject of many research works, salient objects detection remains a challenge. Most models treat color and texture separately and therefore implicitly consider them as independent feature, erroneously. As a second contribution, we propose a new strategy through a simple model, almost without internal parameters, generating a robust saliency map for a natural image. This strategy consists in integrating color in texture patterns to characterize a colored micro-texture thanks to the local ternary pattern (LTP) (simple but powerful texture descriptor) applied to the color pairs. The dissimilarity between each colored micro-textures pair is computed considering non-linearity from colored micro-textures and preserving their distances. This gives an intermediate saliency map for each color space. The final saliency map is their combination to have robust saliency map. The development of deep neural networks has recently enabled high performance. However, it remains a challenge to develop models of the same performance for devices with limited resources. As a third contribution, we propose a new approach for a lightweight salient objects detection deep neural network model, inspired by the double opponent process in the primary visual cortex, which inextricably links color and shape in human color perception. Our proposed model, namely CoSOV1net, is trained from scratch, without using any image classification backbones or other tasks. Experiments on the most used and challenging datasets for salient objects detection show that CoSOV1Net achieves competitive performance with state-of-the-art models, yet it is a lightweight detection model and it is a salient objects detection that can be adapted to mobile environments and resource-constrained devices.

La química bioinorgánica se ocupa de estudiar la función de los metales en los sistemas biológicos y de la síntesis de modelos para estudiar sistemas más complejos. Enmarcados en esta, se han estudiado los modos de interacción y los patrones de reconocimiento presentes en los complejos ternarios metal - base nitrogenada - derivado de aminoácido. En primer lugar, se han obtenido un serie de complejos binarios de 5-halouracilatos con cobre(II), zinc(II) y níquel(II) que presentan un reconocimiento por tándem de enlaces de hidrógeno entre uracilos. Con ácido orto-iodohipúrico se han preparado una serie de complejos binarios con cobalto(II), níquel(II), cobre(II), zinc(II) y plata(I). Con estos y aciclovir se ha conseguido la formación de los complejos ternarios donde los de cobalto, níquel y zinc son isoestructurales y, debido a la presencia de un apilamiento entre el aciclovir y un anillo aromático de o-iodohipúrico, se generan en la estructura los dos enantiómeros δ (delta minúscula) y λ (lambda minúscula) si consideramos los dos ligandos como un quelato gracias a la interacción por apilamiento. Con cobre(II), ácidos hipúricos y 1,10-fenantrolina o 2,2'-bipiridilo se han preparado una serie de complejos ternarios capaces de generar la especie de cobre(I) [Cu(phen)2]+ y que presentan actividad anticancerosa frente a células A549. En todos los complejos con ácidos hipúricos se ha observado que la presencia del anillo aromático perpendicular al plano amídico genera estructuras bidimensionales, mientras que con ligandos planares del mismo tipo las estructuras son tridimensionales. Finalmente se han preparado análogos de nucleótidos tipo N1-alquiluracilos y de dinucleótidos tipo N1,N1'-polimetilen-bis-uracilos. / Bioinorganic chemistry deals with the study of the role of metal ions in biologic systems and the synthesis of model compounds to study more complex systems. In line with it, we have studied the interactions modes and recognition patterns that are present in ternary complexes of the type: metal ion - nucleobase - amino acid derivative. First of all, we have obtained a series of binary compounds with 5-halouracils and copper(II), zinc(II) and nickel(II) with a recognition pattern formed by a tandem of hydrogen bonds between uracils. With orto-iodohippuric acid, we have prepared some binary complexes with cobalt(II), nickel(II), copper(II), zinc(II) and silver(I). With these binary derivatives and acyclovir we have been capable to obtain ternary complexes were, the cobalt, nickel and zinc ones are isostructural and, due to the presence of a stacking between the acyclovir and one aromatic ring of o-iodohippuric acid, they generate in the crystal structure the two enantiomers δ (lower case delta) and λ (lower case lambda) if we consider the two ligands as a chelate by means of the stacking interaction. In the case of copper, we have prepared a series of ternary derivatives with different hippuric acids and 1,10-phenanthroline and 2,2'-bipyridyl. These complexes are capable to generate the copper(I) species [Cu(phen)2]+ and they present anticancer activity against A549 cell line. An important fact in all the coordination compounds with hippuric acids is that the presence of the aromatic ring normal to the amide bond promotes the formation of bi-dimensional structures, whereas with planar ligands of the same kind we obtain tri-dimensional structures. Last but not least, we have prepared nucleotide (N1-alkiluracils) and dinucleotide (N1,N1'-polymethilen-bis-uracils) type ligands.

No description available.

Cette thèse par article comprend quatre articles qui contribuent au domaine de l'apprentissage profond, en particulier à l'accélération de l’apprentissage par le biais de réseaux à faible précision et à l'application de réseaux de neurones profonds au traitement du langage naturel. Dans le premier article, nous étudions un schéma d’entraînement de réseau de neurones qui élimine la plupart des multiplications en virgule flottante. Cette approche consiste à binariser ou à ternariser les poids dans la propagation en avant et à quantifier les états cachés dans la propagation arrière, ce qui convertit les multiplications en changements de signe et en décalages binaires. Les résultats expérimentaux sur des jeux de données de petite à moyenne taille montrent que cette approche produit des performances encore meilleures que l’approche standard de descente de gradient stochastique, ouvrant la voie à un entraînement des réseaux de neurones rapide et efficace au niveau du matériel. Dans le deuxième article, nous avons proposé un mécanisme structuré d’auto-attention d’enchâssement de phrases qui extrait des représentations interprétables de phrases sous forme matricielle. Nous démontrons des améliorations dans 3 tâches différentes: le profilage de l'auteur, la classification des sentiments et l'implication textuelle. Les résultats expérimentaux montrent que notre modèle génère un gain en performance significatif par rapport aux autres méthodes d’enchâssement de phrases dans les 3 tâches. Dans le troisième article, nous proposons un modèle hiérarchique avec graphe de calcul dynamique, pour les données séquentielles, qui apprend à construire un arbre lors de la lecture de la séquence. Le modèle apprend à créer des connexions de saut adaptatives, ce qui facilitent l'apprentissage des dépendances à long terme en construisant des cellules récurrentes de manière récursive. L’entraînement du réseau peut être fait soit par entraînement supervisée en donnant des structures d’arbres dorés, soit par apprentissage par renforcement. Nous proposons des expériences préliminaires dans 3 tâches différentes: une nouvelle tâche d'évaluation de l'expression mathématique (MEE), une tâche bien connue de la logique propositionnelle et des tâches de modélisation du langage. Les résultats expérimentaux montrent le potentiel de l'approche proposée. Dans le quatrième article, nous proposons une nouvelle méthode d’analyse par circonscription utilisant les réseaux de neurones. Le modèle prédit la structure de l'arbre d'analyse en prédisant un scalaire à valeur réelle, soit la distance syntaxique, pour chaque position de division dans la phrase d'entrée. L'ordre des valeurs relatives de ces distances syntaxiques détermine ensuite la structure de l'arbre d'analyse en spécifiant l'ordre dans lequel les points de division seront sélectionnés, en partitionnant l'entrée de manière récursive et descendante. L’approche proposée obtient une performance compétitive sur le jeu de données Penn Treebank et réalise l’état de l’art sur le jeu de données Chinese Treebank. / This thesis by article consists of four articles which contribute to the field of deep learning, specifically in the acceleration of training through low-precision networks, and the application of deep neural networks on natural language processing. In the first article, we investigate a neural network training scheme that eliminates most of the floating-point multiplications. This approach consists of binarizing or ternarizing the weights in the forward propagation and quantizing the hidden states in the backward propagation, which converts multiplications to sign changes and binary shifts. Experimental results on datasets from small to medium size show that this approach result in even better performance than standard stochastic gradient descent training, paving the way to fast, hardware-friendly training of neural networks. In the second article, we proposed a structured self-attentive sentence embedding that extracts interpretable sentence representations in matrix form. We demonstrate improvements on 3 different tasks: author profiling, sentiment classification and textual entailment. Experimental results show that our model yields a significant performance gain compared to other sentence embedding methods in all of the 3 tasks. In the third article, we propose a hierarchical model with dynamical computation graph for sequential data that learns to construct a tree while reading the sequence. The model learns to create adaptive skip-connections that ease the learning of long-term dependencies through constructing recurrent cells in a recursive manner. The training of the network can either be supervised training by giving golden tree structures, or through reinforcement learning. We provide preliminary experiments in 3 different tasks: a novel Math Expression Evaluation (MEE) task, a well-known propositional logic task, and language modelling tasks. Experimental results show the potential of the proposed approach. In the fourth article, we propose a novel constituency parsing method with neural networks. The model predicts the parse tree structure by predicting a real valued scalar, named syntactic distance, for each split position in the input sentence. The order of the relative values of these syntactic distances then determine the parse tree structure by specifying the order in which the split points will be selected, recursively partitioning the input, in a top-down fashion. Our proposed approach was demonstrated with competitive performance on Penn Treebank dataset, and the state-of-the-art performance on Chinese Treebank dataset.

Three mathematical models, two of primary alkaline battery cathode discharge, and one of primary alkaline battery discharge, are developed, presented, solved and investigated in this thesis. The primary aim of this work is to improve our understanding of the complex, interrelated and nonlinear processes that occur within primary alkaline batteries during discharge. We use perturbation techniques and Laplace transforms to analyse and simplify an existing model of primary alkaline battery cathode under galvanostatic discharge. The process highlights key phenomena, and removes those phenomena that have very little effect on discharge from the model. We find that electrolyte variation within Electrolytic Manganese Dioxide (EMD) particles is negligible, but proton diffusion within EMD crystals is important. The simplification process results in a significant reduction in the number of model equations, and greatly decreases the computational overhead of the numerical simulation software. In addition, the model results based on this simplified framework compare well with available experimental data. The second model of the primary alkaline battery cathode discharge simulates step potential electrochemical spectroscopy discharges, and is used to improve our understanding of the multi-reaction nature of the reduction of EMD. We find that a single-reaction framework is able to simulate multi-reaction behaviour through the use of a nonlinear ion-ion interaction term. The third model simulates the full primary alkaline battery system, and accounts for the precipitation of zinc oxide within the separator (and other regions), and subsequent internal short circuit through this phase. It was found that an internal short circuit is created at the beginning of discharge, and this self-discharge may be exacerbated by discharging the cell intermittently. We find that using a thicker separator paper is a very effective way of minimising self-discharge behaviour. The equations describing the three models are solved numerically in MATLABR, using three pieces of numerical simulation software. They provide a flexible and powerful set of primary alkaline battery discharge prediction tools, that leverage the simplified model framework, allowing them to be easily run on a desktop PC.