Unique ergodicité quantique, Réseaux de neurones, Méthode des moments

Cette thèse est constituée de deux parties indépendantes. La première partie concerne l'étude des vecteurs propres de matrices aléatoires de type Wigner. Dans un premier temps, nous étudions la distribution des vecteurs propres de matrices de Wigner déformées, elles consistent en une perturbation d'une matrice de Wigner par une matrice diagonale déterministe. Si les deux matrices sont du même ordre de grandeur, il a été prouvé que les vecteurs propres se délocalisent complètement et les valeurs propres rentrent dans la classe d'universalité de Wigner-Dyson-Mehta. Nous étudions ici une phase intermédiaire où la perturbation déterministe domine l'aléa: les vecteurs propres ne sont pas totalement délocalisés alors que les valeurs propres restent universelles. Les entrées des vecteurs propres sont asymptotiquement gaussiennes avec une variance qui les localise dans une partie explicite du spectre. De plus, leur masse est concentrée autour de cette variance dans le sens d'une unique ergodicité quantique. Ensuite, nous étudions des corrélations de différents vecteur propres. Pour se faire, une nouvelle observable sur les moments de vecteurs propres du mouvement brownien de Dyson est étudiée. Elle suit une équation parabolique close qui est un pendant fermionique du flot des moments de vecteurs propres de Bourgade-Yau. En combinant l'étude de ces deux observables, il est possible d'analyser certaines corrélations.La deuxième partie concerne l'étude de la distribution des valeurs propres de modèles non-linéaires de matrices aléatoires. Ces modèles apparaissent dans l'étude de réseaux de neurones aléatoires et correspondent à une version non-linéaire de matrice de covariance dans le sens où une fonction non-linéaire, appelée fonction d'activation, est appliquée entrée par entrée sur la matrice. La distribution des valeurs propres convergent vers une distribution déterministe caractérisée par une équation auto-consistante de degré 4 sur sa transformée de Stieltjes. La distribution ne dépend de la fonction que sur deux paramètres explicites et pour certains choix de paramètres nous retrouvons la distribution de Marchenko-Pastur qui reste stable après passage sous plusieurs couches du réseau de neurones.