Présentations
Je suis un physicien théoricien travaillant à la frontière de la physique statistique et de la biologie computationnelle. Je combine des approches analytiques et numériques afin d’étudier les systèmes biologiques par des modèles physico-mathématiques.
Doctorat
Mes travaux de doctorat se sont essentiellement concentrés sur l’étude de marches aléatoires complexes qui présentent des effets de mémoire à longue portée, et cela afin de fournir de nouveaux cadres de modélisation de marches aléatoires qui sont obsérvées pour des biomolécules, des réactions chimiques et mouvements d’animaux. Mes travaux se présentent selon deux axes principaux : 1) les problèmes de première passage pour les marcheurs aléatoires non-markoviens et 2) la caractérisation des propriétés des marches aléatoires à renforcement.
Le temps de premier passage (FPT en anglais), défini comme le temps nécessaire pour qu’un marcheur aléatoire atteigne un point cible donné, est une quantité clé pour caractériser les processus dynamiques dans une multitude de systèmes réels (réactions limitées par le transport, dynamiques des neurones). Mon intérêt s’est porté sur l’étude des marches aléatoires fortement non-markoviennes (dont la dynamique dépend de leur histoire complet) utilisées comme un proxy pour modéliser des environnements complexes. Parmi elles, les marches aléatoires à renforcement sont une classe de marches aléatoires où les effets de mémoire émergent de l’interaction du marcheur aléatoire avec le territoire qu’il a précédemment visité. Elles sont souvent utilisées pour modéliser des processus complexes en écologie, épidémiologie et informatique et sont notoirement difficiles à caractériser.
Postdoctorat
De décisions basées sur la mémoire locale sans cognition, mon intérêt s’est déplacé vers le développement de nouveaux cadres génériques pour modéliser et comprendre la prise de décision cognitive. Un point essentiel pour moi est de développer de tels cadres décisionnels tout en fournissant des solutions mathématiques analytiques à l’opposé de solutions de type boîte noire telles que celles souvent fournies dans l’apprentissage automatique.
En particulier, je me suis intéressé au problème du bandit manchot (MAB), qui présente un formalisme incarnant les problèmes génériques de compromis entre exploration et exploitation. Le modèle MAB est un simple jeu de machine à sous où l’objectif est de maximiser ses gains en trouvant puis en jouant les meilleures solutions. Puisque tirer des solutions sous-optimales est coûteux, les algorithmes MAB doivent apprendre à quantifier avec soin leur temps d’exploration et doivent être robustes aux perturbations. En conséquence, ce cadre abstrait trouve des applications dans un large spectre de domaines, comme les neurosciences, l’apprentissage par renforcement et les essais pharmaceutiques.
Au cours de mon postodoctorat, j’ai notemmant développé une nouvelle approche dérivée de principes physiques, qui en optimisant une fonctionnelle sur les jeux de bandit, permet d’étendre son application au-delà de ses domaines d’utilisation traditionnels.
