4ᵉ année de doctorat de Maxime Lucas
Phases magnétiques dans le graphène et le graphène bilayer torsadé
La thèse de Maxime est encadrée par M. Andreas Honecker (25%) et M. Guy Trambly de Laissardière (75%), au sein du LPTM et du projet ANR FlatMoi.
La thèse de Maxime Lucas s’inscrit dans le projet ANR FlatMoi (https://anr.fr/Projet-ANR-21 CE30-0029. Prolongé jusqu’en juin 2026, qui vise à mieux comprendre le lien entre structure et propriétés électroniques dans les matériaux bidimensionnels en bicouche formant des motifs de moiré. Depuis la découverte en 2018 de la supraconductivité et d’états électroniques corrélés dans le graphène bilayer torsadé (TBG), ce sujet est devenu central en physique de la matière condensée.
Les recherches de Maxime portent sur les propriétés magnétiques de ces systèmes, via des approches numériques développées au sein de l’équipe Matière condensée du LPTM. Après un important travail de développement de code, ses premiers résultats ont révélé la complexité du problème, nécessitant l’étude parallèle du graphène simple couche. Ce travail a abouti à l’établissement de diagrammes de phases mettant en évidence la richesse des effets d’interactions selon le dopage électronique. Un article issu de ces résultats est en cours de finalisation pour Physical Review Letters, et Maxime a déjà présenté ses avancées lors de deux conférences internationales.
La suite des travaux portera d’une part sur l’achèvement et la publication de l’étude du TBG, et d’autre part sur l’analyse de l’impact des interactions électroniques sur les propriétés de transport (comme la conductivité électrique). Cette dernière phase sera menée en collaboration avec un autre doctorant, Taher Rhouma, travaillant sur le transport quantique dans le TBG, afin de tirer parti de leurs expertises complémentaires.
Version vulgarisée grand public:
La thèse de Maxime Lucas, au sein du projet ANR FlatMoi, explore par simulations numériques les phases magnétiques du graphène (mono-couche et bilayer torsadé, TBG) pour comprendre l’interaction des électrons. Après des résultats déjà présentés sur le graphène simple couche, la suite porte sur le TBG et l’impact des phénomènes magnétiques sur la conductivité—contexte des découvertes de supraconductivité (2018). À terme, ces travaux éclairent le contrôle des matériaux 2D et ouvrent des pistes pour de nouvelles technologies électroniques.
4ᵉ année de doctorat d’Etienne Vareille
Explications causales pour l’analyse de séries temporelles multivariées Contexte et motivation
La thèse d’Etienne est encadrée par M. Vassilis Christophides, ENSEA (ETIS)
Les séries temporelles multivariées (STM) – issues notamment des domaines biomédicaux, environnementaux, économiques ou industriels – constituent des données complexes où plusieurs variables évoluent conjointement dans le temps et interagissent entre elles. Comprendre et expliquer les mécanismes qui les gouvernent est essentiel pour améliorer la prédiction (par exemple en finance, en énergie ou en neurosciences) et pour aider les experts à interpréter correctement les résultats produits par les modèles.
L’analyse des STM soulève plusieurs difficultés majeures :
- Haute dimensionnalité : un grand nombre de variables pour un faible nombre d’observations;
- Hétérogénéité : coexistence de variables continues, discrètes et catégorielles ;
- Non-stationnarité : les relations entre variables évoluent au cours du temps (notamment en économie et en finance) ;
- Redondance : la présence de variables équivalentes ou fortement corrélées complique l’interprétation.
Un enjeu central est donc de développer des méthodes capables d’identifier les variables réellement causales, plutôt que de se limiter à des corrélations associatives. Les premières évaluations montrent que ChronoEpilogi atteint des performances prédictives et explicatives supérieures à celles des approches existantes.
La dernière année de doctorat visera à :
- Adapter ChronoEpilogi à la non-stationnarité, en intégrant des modèles capables de gérer des relations variables dans le temps (par exemple dans les séries macroéconomiques et financières) ;
- Étendre l’algorithme à des données hétérogènes, notamment en neurosciences, où les signaux peuvent être continus (potentiels électriques), discrets (comptages neuronaux) ou catégoriels (stimuli) ;
- Valider l’approche sur des données réelles, en finance (prédiction de marchés) et en neurosciences (analyse de réseaux neuronaux), en collaboration avec des experts de ces domaines.
L’objectif global est de fournir une méthode robuste et généralisable d’analyse causale des séries temporelles complexes, ouvrant la voie à de nombreuses applications interdisciplinaires, de la médecine aux sciences économiques.
Version vulgarisée grand public :
Ce doctorat cherche à démêler les vraies causes cachées dans des données qui changent au fil du temps (santé, climat, économie, énergie, industrie).
Il a mis au point ChronoEpilogi, un nouvel outil qui repère les variables qui comptent vraiment, même quand certaines infos se chevauchent, pour mieux comprendre et mieux prédire.
La suite du travail visera à gérer des relations qui évoluent (non-stationnarité) et à traiter des données variées, notamment en neurosciences.
Applications concrètes : prévisions économiques plus fiables, compréhension du cerveau, optimisation de l’énergie, maintenance prédictive en usine.
En somme, on passe de la simple observation à une interprétation causale des données, pour mieux anticiper les dynamiques du monde réel.