Évènements

Le but de cet exposé est de présenter quelques résultats pour la mise en évidence numérique du phénomène de superradiance, permettant l’extraction de l’énergie d’un trou noir sphérique de Reissner-Nordstrom à  partir d’une configuration dans laquelle l’énergie totale conservée n’est pas une quantité définie positive. Ceci autorise alors la possibilité d’obtenir loin du trou noir une énergie plus grande que ce qu’elle était à  l’instant initial. Nous présenterons le modèle sous-jacent, avec une attention particulière sur les méthodes numériques pour la simulation de celui-ci.

On va évoquer le problème du partitionnement (« clustering ») d’un ensemble d’entités en K groupes avec un modèle statistique : peut-on discerner des groupes dans ces entités (par exemple des familles de gènes ou des régions du cerveau) de façon optimale, non-asymptotique, en grande dimension ? En étudiant l’estimateur classique des K-moyennes, on donne des éléments de réponse grâce au lien qu’il entretient avec l’optimisation convexe, ce qui permet aussi d’éclairer notre compréhension d’autres estimateurs comme les estimateurs spectraux.

Quelques références :
– Approximating K-means-type Clustering via Semidefinite Programming, Jiming Peng, Yu Wei, 2007
– PECOK: a convex optimization approach to variable clustering, F. Bunea, C. Giraud, M. R. and N. Verzelen, 2016