Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

This thesis aims to present the various coding methods and applications related to quantum key distribution. Quantum key distribution enables unconditional security for data exchanges, and its development is therefore a crucial issue in our digital world.

Quantum Key Distribution --- Quantum Communications --- Physique, chimie, mathématiques & sciences de la terre > Aérospatiale, astronomie & astrophysique

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

The study of quantum open systems usually relies on numerical methods of resolution for their equations of motion. In this master's thesis, we present a new formalism to obtain an exact analytical resolution for these equations, the “third quantization”. We use this mathematical framework to study the properties of several quantum transport systems.

Open quantum systems --- Lindblad --- Quantum thermodynamics --- Quantum transport --- Third quantization --- Master equation --- Systèmes ouverts --- Thermodynamique quantique --- Troisième quantification --- Equation maitresse --- Physique, chimie, mathématiques & sciences de la terre > Physique

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

In quantum cryptography, the first secure protocol to have been formalized is the BB84 protocol. In this master's thesis, we analyze its security under dissipation, weak measurements combined with artificial intelligence, and quantum feedback.

quantum physics --- quantum key distribution --- quantum cryptography --- BB84 --- homodyne measurement --- AI --- Physique, chimie, mathématiques & sciences de la terre > Physique

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Cette thèse de master présente le développement et l’application de réseaux neuronaux pour la
reconnaissance de structures topologiques, en particulier les skyrmions et anti-skyrmions magnétiques.
Les phases topologiques de la matière, caractérisées par leurs propriétés géométriques plutôt
que par des paramètres d’ordre locaux, ont des implications significatives en spintronique en raison
de leurs propriétés de transport particulières. Par exemple, les skyrmions peuvent être déplacés
par des courants électriques et servir de porteurs d’informations potentiels. Ces applications potentielles
nécessitent une analyse précise de leurs propriétés dynamiques. Cependant, les méthodes
traditionnelles pour localiser et analyser la dynamique des structures topologiques impliquent des
algorithmes complexes et ne sont valides qu’à 0 Kelvin. Pour surmonter ces limitations, cette
recherche exploite des techniques d’apprentissage profond, y compris les réseaux neuronaux Feedforward,
les réseaux de neurones convolutionnels et les architectures UNet. Des bases de données de
structures magnétiques synthétiques ont été générées et étiquetées, servant de base à l’entraînement
de ces réseaux. Les résultats démontrent l’efficacité de ces modèles pour classifier avec précision
les structures topologiques avec une précision supérieure à 97% sur des données inédites. Malgré
ce succès, des défis tels que les biais dans les ensembles de données d’entraînement et le surapprentissage
du modèle ont été identifiés, suggérant la nécessité d’affinements supplémentaires. Ce
travail jette les bases de futures recherches sur le comportement dynamique des skyrmions et leurs
applications potentielles dans les dispositifs spintroniques de nouvelle génération. This master thesis presents the development and application of neural networks for the recognition
of topological structures, specifically magnetic skyrmions and anti-skyrmions. Topological phases
of matter, characterized by their geometric properties rather than local order parameters, have
significant implications in spintronics as they have special transport properties. For example,
skyrmions can be moved by electrical currents and serve as potential information carriers. These
potential applications require a precise analysis of their dynamical properties. However, traditional
methods to locate and analyse topological structures dynamics are involving complex algorithm
and are only valid at 0 Kelvin. To overcome these limitations, this research leverages deep learning
techniques, including Feedforward Neural Networks, Convolutional Neural Networks, and UNet
architectures. Databases of synthetic magnetic structures were generated and labelled, serving
as the foundation for training these networks. The results demonstrate the effectiveness of these
models in accurately classifying topological structures with over 97% accuracy on unseen data.
Despite the success, challenges such as bias in the training datasets and model overfitting were
identified, suggesting the need for further refinement. This work lays the groundwork for future
research on the dynamic behaviour of skyrmions and their potential applications in next-generation spintronic devices.

artificial intelligence --- Topological phases identification --- Neural networks --- CNN --- Unet --- Physique, chimie, mathématiques & sciences de la terre > Physique