Institut de recherche mathématique avancée

Résumé : Hyperbolic 3-manifolds diffeomorphic to S x R where S is a closed orientable surface of genus at least 2 are well-studied objects that admit a rich deformation theory. By the solution of the Ending Lamination Conjecture, they are parametrized by a pair of end invariants, each of which is a combination of minimal filling lamination and finite area hyperbolic metric on proper essential subsurfaces of S. By this description it should be possible to turn the end invariants into concrete geometric control on the hyperbolic metric. Groundbreaking work of Minsky and Brock, Canary, and Minsky provides such a dictionary. In particular, they show that if the end invariants have a so-called large subsurface projection to a subsurface Y of S then the geodesic representative of the boundary of Y in the 3-manifold is short, and they even provide a coarse formula for its length. However, their bounds rely on various compactness arguments which make the constant involved not computable. In this talk, following a different path, I will describe an effective (computable) formula for the length of the boundary of Y in terms of subsurface projection.

Résumé : Un convexe divisible est un ouvert propre de l'espace projectif qui admet une action cocompacte d'un sous-groupe discret du groupe projectif linéaire. L'exemple le plus connu est l'espace hyperbolique plongé dans l'espace projectif via le modèle de Klein, mais il existe également des exemples qui ne sont pas des espaces symétriques Riemanniens. L'étude de ces objets s'appelle la théorie des convexes divisibles, et est développée depuis les années 60. Une généralisation au cas où l'espace ambiant n'est plus l'espace projectif mais une variété de drapeaux quelconque G/P a été initiée par A. Zimmer. Une question de Limbeek-Zimmer est alors : existe-t-il des exemples d'ensembles convexes divisibles dans G/P qui ne sont pas symétriques ? Dans un certain nombre de cas, il a été prouvé que ce n'était pas le cas; on dit alors qu'il y a rigidité. Dans cet exposé, nous exposerons des résultats allant dans le sens de cette rigidité, avec une attention particulière pour les grassmanniennes.

Résumé : Abstract: We study operator learning in the context of linear propagator models for optimal order execution problems with transient price impact a la Bouchaud et al. (2004) and Gatheral (2010). Transient price impact persists and decays over time according to some propagator kernel. Specifically, we propose to use In-Context Operator Networks (ICON), a novel transformer-based neural network architecture introduced by Yang et al. (2023), which facilitates data-driven learning of operators by merging offline pre-training with an online few-shot prompting inference. First, we train ICON to learn the operator from various propagator models that maps the trading rate to the induced transient price impact. The inference step is then based on in-context prediction, where ICON is presented only with a few examples. We illustrate that ICON is capable of accurately inferring the underlying price impact model from the data prompts, even with propagator kernels not seen in the training data. In a second step, we employ the pre-trained ICON model provided with context as a surrogate operator in solving an optimal order execution problem via a neural network control policy, and demonstrate that the exact optimal execution strategies from Abi Jaber and Neuman (2022) for the models generating the context are correctly retrieved. Our introduced methodology is very general, offering a new approach to solving optimal stochastic control problems with unknown state dynamics, inferred data-efficiently from a limited number of examples by leveraging the few-shot and transfer learning capabilities of transformer networks.

Résumé : The numerical approximation of partial differential equations (PDEs) plays a crucial role in various fields, including engineering, mechanics and physics, for design and assessment. To accurately account for uncertainty in parameter values, we must solve the numerical model for a wide range of relevant parameters; an efficient numerical solution of this type of problem is even more challenging in a real time context. Model order reduction (MOR) methods have the purpose to overcome the computational obstacle of numerical simulations to large-scale dynamical systems. I will show linear and nonlinear solution manifold approximations and their validity for different applications in radioactive waste management and in contact mechanics. Keywords: reduced basis method, Galerkin approximation, domain decomposition, supervised machine learning.

Résumé : Les méthodes Hybrid High-Order (HHO) [Di Pietro et al.], constituent un cadre numérique à la fois flexible et robuste pour la résolution de problèmes aux dérivées partielles. Ce séminaire propose une introduction accessible à ces méthodes, en mettant l’accent sur leurs fondements théoriques — consistance, stabilité et convergence — illustrés par le problème de Poisson (-Δu = f) sur un domaine simple comme le carré. Nous étendrons ensuite l’analyse au cas du transport-réaction, en considérant par exemple le problème d’Oseen. Les connexions avec d’autres méthodes numériques seront également abordées, en comparant HHO aux éléments finis classiques et aux méthodes discontinues de Galerkin (dG), tout en esquissant, si le temps le permet, des liens avec des approches plus récentes telles que les méthodes hybrides de Galerkin discontinu (HDG) et les méthodes d’éléments virtuels (VEM). Enfin, nous discuterons des aspects pratiques d’implémentation, en particulier l’exploitation du calcul parallèle, pour mettre en lumière les atouts de HHO dans des contextes computationnels plus exigeants.