Académique Documents
Professionnel Documents
Culture Documents
THÈSE
pour obtenir le grade de docteur de
Mourtaza Kourbane-Houssene
1 Introduction 2
1.1 Physique statistique hors équilibre . . . . . . . . . . . . . . . . . . . 3
1.2 La matière active . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Un exemple micrométrique : Escherichia Coli . . . . . . . . . 4
1.2.2 Un exemple nanométrique dans le vivant : les moteurs mo-
léculaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 La matière active synthétique . . . . . . . . . . . . . . . . . 7
1.3 Les comportements collectifs en matière active . . . . . . . . . . . . 8
1.3.1 De nouveaux comportements collectifs . . . . . . . . . . . . 9
1.3.1.1 Nageurs et rhéologie . . . . . . . . . . . . . . . . . 9
1.3.1.2 Les nématiques actifs . . . . . . . . . . . . . . . . . 10
1.3.1.3 Une transition de phase hors équilibre : MIPS . . . 11
1.3.2 Les mouvements collectifs . . . . . . . . . . . . . . . . . . . 12
1.3.2.1 Un phénomène naturel . . . . . . . . . . . . . . . . 12
1.3.2.2 L’intérêt des physiciens et le modèle de Vicsek . . 14
1.3.2.3 Une simplification du modèle de Vicsek : le modèle
d’Ising actif . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Les Modèles sur réseau . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.1 Les cristaux . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.2 Les phénomènes critiques . . . . . . . . . . . . . . . . . . . . 20
1.4.3 Un modèle de particules hors équilibre sur réseaux . . . . . . 21
i
Principe de la simulation en temps continu
. . . . . . . . . . . . . . . . . . . . . . . 34
Implémentation de la dynamique microscopique . . . 35
2.3.3.2 Résolution des équations aux dérivées partielles . . 36
2.3.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.4.1 Des simulations microscopiques à la résolution de
PDE . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.4.2 Analyse de stabilité linéaire . . . . . . . . . . . . . 38
2.3.4.3 Diagramme des phases . . . . . . . . . . . . . . . . 41
2.4 La transition vers le mouvement collectif . . . . . . . . . . . . . . . 44
2.4.1 Dynamique microscopique . . . . . . . . . . . . . . . . . . . 44
2.4.2 Equations hydrodynamiques exactes . . . . . . . . . . . . . 45
2.4.3 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.3.1 Simulation microscopique . . . . . . . . . . . . . . 48
2.4.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3 Mouvement Collectif en 1D 53
3.1 Mouvement collectif en une dimension . . . . . . . . . . . . . . . . 55
3.1.1 Les modèles de mouvement collectif en 1D . . . . . . . . . . 55
3.1.1.1 Le Modèle d’Ising Actif . . . . . . . . . . . . . . . 56
3.1.1.2 Le Modèle d’électeurs actifs . . . . . . . . . . . . . 56
3.1.1.3 Phénoménologies des modèles de mouvements col-
lectifs en 1D . . . . . . . . . . . . . . . . . . . . . 57
3.2 Les nuées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2.1 Déstabilisation de la phase ordonnée . . . . . . . . . . . . . 60
3.2.2 Temps de retournement . . . . . . . . . . . . . . . . . . . . 60
3.2.3 les mouvements collectifs en quasi-1D . . . . . . . . . . . . . 65
3.3 Les asters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.3.1 Limite T = 0 . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.3.2 La limite des faibles températures. . . . . . . . . . . . . . . 70
3.3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
ii
4.2.2 Diagramme des phases . . . . . . . . . . . . . . . . . . . . . 92
4.2.3 Fluctuations de densités . . . . . . . . . . . . . . . . . . . . 93
4.3 Activité et anisotropie . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.3.1 Le cas d’équilibre . . . . . . . . . . . . . . . . . . . . . . . . 95
4.3.2 Activité et ordre à longue portée . . . . . . . . . . . . . . . 96
5 Conclusion 98
iii
1
Chapitre 1
Introduction
2
1.1 Physique statistique hors équilibre
La thermodynamique permet de décrire les transformations des propriétés ma-
croscopiques des systèmes à l’équilibre. Ces propriétés sont caractérisées par des
grandeurs comme la pression, la température, le volume ou l’entropie. Ces gran-
deurs sont reliées entre elles à travers des lois phénoménologiques déduites de
manière empirique. Ainsi, les équations d’états et les principes thermodynamiques
permettent de décrire un système et, avec des hypothèses fortes, permettent de
prévoir l’état de ce système à travers une transformation. Néanmoins, la ther-
modynamique n’offre pas d’éclairage sur le contenu physique de ces grandeurs
macroscopiques, ni de limite claire quant à son cadre d’application. Pour cela, il
faut s’intéresser à la matière d’un point de vue microscopique.
La physique statistique d’équilibre, quant à elle, permet de donner un sens
précis à ces grandeurs macroscopiques et de construire les équations d’état à travers
une étude des comportements microscopiques de la matière. En 1738, Bernouilli
propose une première interprétation de la pression dans un fluide en assimilant les
particules constituant ce fluide à des sphères dures et en utilisant des hypothèses
statistiques. Cette description est ensuite développée par les travaux d’Avogadro,
de Maxwell et évidemment de Boltzmann. Ce dernier propose une description
statistique du gaz à travers des hypothèses très fortes comme l’équiprobabilité des
micro-états d’un système. Il donne, en outre, une expression de l’entropie :
3
sont nuls en moyenne. Au niveau microscopique, on parle de dynamique d’équilibre
si le système vérifie le bilan détaillé.
Cela dit, nombreux sont les systèmes qui ne sont pas à l’équilibre. Les systèmes
radioactifs, les verres et la matière vivante sont des exemples de systèmes hors
d’équilibre. Sur des échelles de temps suffisamment longues, ces systèmes seront
thermalisés. La matière radioactive se dégrade jusqu’à atteindre un état stable et
la matière vivante meurt puis se dégrade atteignant ainsi l’équilibre. Les verres
relaxent vers l’équilibre en un temps infini à l’échelle humaine. Entre temps, ces
systèmes présentent des phénomènes intrinsèquement liés à leur caractère hors-
équilibre et intéressent beaucoup les physiciens.
Dans cette thèse, je vais m’intéresser à la modélisation d’une classe particulière
des systèmes hors-équilibres, la matière active.
4
vitale. Décrit par Brown au XV III e siècle, le mouvement brownien est théorisé
par Einstein en 1905 et Langevin en 1908. Le mouvement de la particule est alors
expliqué de la manière suivante : les chocs répétés des molécules sur la particule
agitent cette dernière générant une diffusion caractérisée par une constante de dif-
fusion D. Par ailleurs, le colloïde est soumis aux frottements fluides et sa vitesse
est, en moyenne, amortie par ces mêmes chocs caractérisés par un coefficient de
frottement γ. Si le fluide est à l’équilibre, ces deux constantes sont reliées par le
célèbre théorème de fluctuation-dissipation dont une expression est simplement :
D
= kb T.
γ
La source du frottement est la même que ce qui provoque la diffusion, l’injec-
tion et la dissipation d’énergie ont la même origine : un fluide à l’équilibre. Ceci
contraint fortement la dynamique qui satisfait le bilan détaillé et force le système
à relaxer vers la distribution de Boltzmann
A contrario, une particule active est auto-propulsée. Ainsi, la source du mou-
vement est différente de ce qui provoque la dissipation de l’énergie. On ne peut
plus écrire la relation de fluctuation-dissipation thermique et le système est dit
hors équilibre. Par exemple, la bactérie E. Coli (figure 1) se déplace en agitant
des flagelles. En effet, l’énergie produite par la dégradation de l’ATP (adénosine
triphosphate) permet de maintenir un potentiel de membrane qui génère un flux
de protons. Ce flux passe au travers d’un rotor qui entraine les flagelles [2]. Un
autre mécanisme fait que la bactérie change subitement de direction (figure 1). Si
le mouvement de la bactérie reste erratique, et est diffusif à grande échelle, il n’a
rien de commun avec une dynamique d’équilibre. La distribution stationnaire est
inconnue et la dynamique ne satisfait pas le bilan détaillé.
Figure 1 – Gauche : dessin d’une bactérie E. Coli dont on constate la forme al-
longée et les flagelles. Droite : trajectoire d’une bactérie E. coli. Elle est propulsée
et change spontanément de direction.
5
1.2.2 Un exemple nanométrique dans le vivant : les moteurs
moléculaires
Les moteurs moléculaires constituent un autre exemple classique de système
actif. Les stratégies mises en place à l’échelle micrométrique pour propulser une
bactérie ne sont évidemment pas accessibles à de simples protéines vivant à l’échelle
nanométrique, et la manière dont un mouvement rectifié est produit est donc
différente. Un modèle classique proposé pour expliquer le mouvement des moteurs
moléculaires est celui de cliquet thermique.
Les moteurs moléculaires, plus précisément les moteurs protéiques, sont des
molécules qui se déplacent le long de micro-filaments comme l’actine ou les mi-
crotubules. L’énergie produite par la dégratation de l’ATP en ADP+P permet au
moteur moléculaire de s’attacher au filament le long duquel il se déplace [3]. La
dynamique stochastique de la molécule peut être modélisée de la manière suivante
[4],[5] :
— État A : un moteur attaché suit une marche aléatoire dans un potentiel en
dents de scie Wa
— État D : un moteur détaché suit une marche aléatoire dans un potentiel
plat Wd .
— le taux de passage de A à D (ωa ) vaut ωa = ωd exp((Wa − Wd )/T ) + ΩΘ
avec Ω l’amplitude de l’excitation et Θ, la concentration en ATP.
Ici, c’est le second terme dans l’expression de ωa qui brise le bilan détaillé.
Cela va permettre à la particule, grâce à un Ω bien choisi, de passer les maxima
du potentiel Wa et ainsi suivre une marche aléatoire biaisée, selon la forme du
potentiel Wa (figure 2)
6
1.2.3 La matière active synthétique
L’étude de la physique statistique d’équilibre a permis une compréhension fine
de la matière molle passive. On a pu, entre autre, contrôler la rhéologie du dentifrice
ou le comportement des cristaux liquides des écrans LCD. Une maîtrise similaire
de la physique de la matière active semble offrir des perspectives industrielles
excitantes.
Pour créer de la matière active synthétique, il faut créer des entités propulsées
au moyen d’un mécanisme qui leur est propre. Une des stratégies pour obtenir de
telles particules consiste à utiliser un mécanisme auto-phorétique. Pour cela il faut
qu’au voisinage de la particule se développe le gradient d’un champ, par exemple
d’un champ électrique ou de concentration. Ce déséquilibre local va créer un flux
autour de la particule qui entrera alors en mouvement [6].
Par exemple, des bâtonnets microscopiques, dont une moitié est recouverte
d’or et l’autre de platine, plongés dans l’eau oxygénée, avancent spontanément [7]
par diffusiophorèse. En effet, le platine catalyse la réaction d’oxydation de l’eau
oxygénée tandis que l’or agit comme une cathode et en catalyse la réduction. Le
flux de protons qui va de l’anode à la cathode provoque alors un déplacement du
batônnet par conservation de la quantité de mouvement.
Une stratégie, autre que l’auto-phorèse, pour obtenir des particules actives
est de plonger des particules dans un champ, dont elles tirent de la quantité de
mouvement dans une direction qui n’est pas déterminée par le champ : c’est le
cas des Quincke Rollers, dont le déplacement est orthogonal au champ et résulte
d’une brisure spontanée de symétrie [8]. Si on plonge une bille isolante dans un
bain conducteur, l’application d’un champ électrique créera un gradient d’électrons
autour de la bille et celle-ci sera alors soumise à un couple orthogonale au champ :
c’est l’effet de Quincke qui met le colloïde en rotation. Posée sur une électrode,
cette rotation transforme la particule en une micro "roue" autopropulsée.
Un autre exemple est celui des grains vibrés : un support vibre uniformément
et des grains, dont la forme est asymétrique, en tirent une quantité de mouvement
suivant une direction propre. On pose, sur un support vibrant, une assemblée de
petits "grains". En contrôlant leur agitation et leur forme on peut contrôler la
phénoménologie [9]. Par exemple si un grain symétrique seul opère une diffusion
classique, un grain asymétrique a un comportement super-diffusif [10].
7
Figure 3 – Gauche : schéma d’un grain vibré asymétrique. Droite : une as-
semblée de grains vibrés présente un phénomène de mouvement collectif (images
issues de [10])
8
sous forme d’équations aux dérivées partielles (parfois stochastiques). Un exemple
simple de ces différents niveaux de description est fourni par le cas des moteurs
moléculaires. La compréhension du mouvement d’un moteur unique se fait souvent
à l’aide de modèles de cliquets [5], comme décrit dans la section précédente. Les
comportements collectifs de moteurs peuvent ensuite être étudiés à l’aide d’un
modèle de gaz sur réseau, comme le TASEP [11]. À une échelle supérieure, la
description du cytosquelette se fait avec des modèles coarse-grainés comme les gels
actifs [12, 13].
Avant de présenter les classes de modèles étudiés dans cette thèse, je donne
dans la section suivante quelques exemples de comportements collectifs observés
dans les systèmes actifs, puis la transition vers le mouvement collectif, laquelle est
au coeur de cette thèse.
δη ∝ f `φτ
9
sité effective négative [18], elle-même directement issue de l’activité des bactéries.
10
des contraintes est obtenu à partir de la dérivée d’une énergie libre 3 . Ici, ce terme
est déduit à travers des considérations géométriques [23]. En effet, le système étant
hors équilibre, il ne présente pas d’autres contraintes.
11
répulsives (par exemple stériques) ou de quorum sensing. Expérimentalement, il
y a beaucoup moins de preuves de ce phénomène et on observe une tendance au
clustering [25] . Cependant ces expériences sont réalisées à des densités si faibles
qu’aucune transition de phase n’est attendue. Récemment, ce phénomène semble
avoir été observé pour des systèmes de bactéries [26], cela reste néanmoins à confir-
mer.
Figure 5 – Gauche : MIPS observé par une simulation numérique d’une dy-
namique microscopique qui respecte v(ρ). Droite : image de l’expérience de [25]
montrant des "cristaux actifs"
12
bancs de poissons, les troupeaux d’animaux, les nuées d’étourneaux, les essaims
d’abeilles ou de criquets qui s’orientent soudainement dans une direction précise
avec seulement des interactions locales qui suscitent notre intérêt de physicien. En
effet, comment atteindre une telle réactivité avec des interactions limitées, chaque
individu ne pouvant essentiellement réagir qu’à l’information transmise par ses
voisins les plus directs ?
13
sont utilisés en cinéma pour générer toutes sortes de mouvements collectifs. Par
exemple, l’armée de pingouins dans Batman, Le Défi de Tim Burton ou la course
des gnous dans la célèbre scène du (Le) Roi Lion ont été créées grâce à des pro-
grammes qui vérifiaient ces règles.
Figure 7 – Scène du Roi Lion dans laquelle le mouvement des gnous à été calculé
grâce à des boids.
Quelle que soit la simplicité de ces modèles et leur capacité à reproduire les
morphologies observées dans le vivant, la simple simulation de ces modèles ne nous
renseigne pas sur les mécanismes sous-jacents au mouvement collectif. L’étude de
cette question par des physiciens date des travaux de Vicsek et collaborateurs, qui
ont introduit un modèle encore plus minimal en 1995 [27].
14
2. Toutes les particules avancent :
θ̄ θ̄
θi = θ̄+η
σn = hni0.8 ,
15
Figure 9 – Schéma représentant la dynamique du modèle d’Ising Actif
16
Ce modèle est présenté dans [35] par Solon et Tailleur. Il montre une phéno-
mènologie très riche et la transition de phase se comprend comme une transition
liquide-gaz dans l’ensemble canonique. Pour toute température T = β1 < Tc , on
rencontre 4 densités successives : ρg < ρ1 < ρ2 < ρ` (figure 1.3.2.3). Les phases
homogènes sont linéairement instables (dans l’approximation champ moyen) entre
les densités ρ1 et ρ2 . Si on commence une simulation avec une densité ρ comprise
entre ces deux densité, alors on voit une séparation en deux phases de densité ρg et
ρ` . La valeur de ρ fixe la taille des domaines de forte ou faible densité par la règle
du levier. À la différence de la transition liquide-gaz d’équilibre, les deux phases de
ce système ne présentent pas les mêmes symétries. Par conséquent, on ne peut pas
passer continûment de la phase liquide à la phase gazeuse. Cela explique pourquoi
le point critique est atteint seulement pour une densité infinie.
17
On constate par ailleurs que les fluctuations de densité dans le modèle d’Ising
Actif sont normales et que :
σn = hni0.5
18
Avant de présenter le corps de mon travail, dans la dernière partie de cette
introduction, il convient d’introduire la philosophie générale des modèles présentés.
En effet, les modèles discutés ci-après sont tous définis sur réseau.
19
Cet accord entre le modèle de Debye et la loi de Dulong et Petit confirme, à
postériori, que l’utilisation d’un modèle si régulier pour représenter le matériau
n’est pas aberrant. Cette représentation semble extrêmement pertinente lorsqu’il
s’agit de décrire des cristaux. En effet, la structure même des réseaux cristallins,
en mailles identiques répétées, mise en évidence par la diffraction de rayon X 5
justifie l’idée de cette description.
Cela dit, bien que la simplification des modèles ne permette pas toujours d’avoir
un accord quantitatif, elle permet néanmoins de développer un point de vue qua-
litatif pertinent.
M ∼ (T − Tc )β
20
Néanmoins, l’étude de la transition de phase liquide-gaz dans l’ensemble grand
canonique, au delà du point critique présente la même criticalité que le modèle
d’Ising :
ρ − ρc = (T − Tc )β
Cela permet de justifier un modèle sur réseaux pour un gaz.
21
Chapitre 2
22
Résumé : équations hydrodynamiques exactes
est très difficile hors équilibre car les relations entre les 1.2 time 0.20 time 0.50 0.7
0.6
ρ0
1
0.5
coefficients sont difficiles à deviner. Une autre méthode 0.8
0.6
0.4
0.3
0.4
consiste à écrire la dynamique de moyenne d’observable
0.2
0.2 0.1
3 4 5 6 7 8 9 10
0
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4 Peclet
microscopique pertinentes et d’en construire explicite-
ment une description macroscopique. Afin de pouvoir Figure 2: À gauche : simulations microscopiques (en rouge)
calculer exactement ces moyennes locales une méthode et macroscopiques (en bleu). À droite : diagramme des
exacte de renormalisation est décrite. Elle permet de trai- phases de MIPS. On voit en bleu, les spinodales, en rouge,
ter les cas de la séparation de phase induite par la motilité les lignes binodales calculées analytiquement, les points re-
et de la transition de phase vers le mouvement collectif. présentent les densités de coexistence mesurées sur les simu-
lations microscopiques.
0
0 100 200 300 400 500 600
2
1.5
0.5
0
0 20 40 60 80 100 120 140 160 180 200
24
fait qu’une équation de diffusion avec un coefficient de diffusion négatif mène à
une instabilité est trivial. C’est dans l’origine microscopique de ce coefficient de
diffusion de négatif que réside l’intérêt de cette transition. Néanmoins, pour un
système dont on connait la dynamique microscopique, il est très difficile de passer
à une description mésoscopique fermée [33, 32]. En effet, les approximations néces-
saires à la clôture des équations hydrodynamiques sont mal maitrisées. Bien que
des études sérieuses aient été menées sur la transition MIPS [24], seul le cas du
quorum sensing, dans lequel les particules interagissent via une vitesse dépendant
explicitement de la densité, v(ρ), est compris qualitativement. Aucune description
exacte de ce cas au niveau mésoscopique n’existe. Quand au cas où des particules
actives interagissent via des forces répulsives, les équations proposées ont des li-
mitations tant quantitatives que qualitatives. Afin d’aiguiser notre sens physique,
je propose dans la suite de cette partie de développer des modèles dont on peut
calculer exactement les équations hydrodynamiques. Dans un premier temps j’ex-
plique les résultats mathématiques qui permettent un tel calcul. Fort de cet outil,
j’exhibe deux modèles, l’un présentant la transition MIPS l’autre montrant une
transition vers le mouvement collectif. Je présenterai la dynamique microscopique
et les équations hydrodynamiques obtenues. Enfin, je montre que ces équations
permettent de rendre compte de manière simple de la phénoménologie observée.
25
vecteur unitaire dans une direction donnée de TdN .
– une particule ± se transforme en une particule ∓ à un taux fx (η).
Nous voulons montrer que, dans la limite N → ∞, la dynamique du système
est bien décrite, dans un sens que l’on précisera ci-dessous, par des équations de
réaction-diffusion couplées :
26
Pour montrer cette convergence, on utilise tout d’abord l’identité de Dynkin
[40]
Z t hX i
±,N ±,N 1 X
hπt , Gi−hπ0 , Gi = d
G(x/N ) [jx−ei ,x (s)−jx,x+ei (s)]+rx (s) ds+Mt±,G,N
± ± ±
s=0 N d i x∈TN
(2.2.6)
où Mt±,G,N
est un terme de fluctuation d’ordre supérieur qui disparaît dans la
±
limite hydrodynamique 2 , jx−ei ,x
est le courant instantané de particules, qui peut
être décomposé en :
±
jx−e i ,x
= N 2 s± ±
x−ei ,x + δi,1 N ax−e1 ,x , (2.2.7)
où s± ±
x−ei ,x et ax−e1 ,x sont les contributions symétriques et antisymétriques au cou-
rant de particules :
s± s s
x−ei ,x = c (ηx−ei , ηx ) − c (ηx , ηx−ei ), (2.2.8)
a+
x−e1 ,x = c
a,+
(ηx−e1 , ηx ) (2.2.9)
− a,−
ax−e1 ,x = −c (ηx , ηx−e1 ) (2.2.10)
L’idée est alors de remplacer l’intégrande de (2.2.6) par une intégrale spatiale de
G contre une expression dépendant des solutions ρ+ et ρ− de (2.2.1).
Pour les modèles étudiés dans cette thèse, le courant symétrique prend la forme
d’un gradient microscopique s± ± ±
x−ei ,x = hx − hx−ei . Des intégrations par parties
successives permettent alors de réécrire (2.2.6) sous la forme :
Z
1 Xh N
t
hπt±,N , Gt i − hπ0±,N , G0 i = d
∆ Gs (x/N )h± x (s)
s=0 N d
x∈TN
i
+ ∇N
1 Gs (x/N )a ±
x,x+e1 + Gs (x/N )rx
±
(s) ds + Mt±,G,N (2.2.11)
On note tout d’abord que, dans ce qui précède, les dérivées discrètes tendent vers
leur limite continue lorsque N → ∞ :
X
∆N G(x/N ) ≡ N 2 [G(y/N ) − G(x/N )] −→ ∆G(x/N ), (2.2.12)
y∼x
∇N
1 G(x/N ) ≡ N G((x + e1 )/N ) − G(x/N ) −→ ∂u1 G(x/N ) (2.2.13)
2. Mais qui réapparaît dans les hydrodynamiques fluctuantes !
27
Afin de pouvoir prendre la limite N → ∞ dans (2.2.6), il faut, en premier lieu,
remplacer les courants microscopiques h± , a± et rx± par des fonctions de la densité
"mésoscopique" du nombre de particules.
Les fonctions ∆G, ∂u1 G et G de l’équation 2.2.11 étant suffisament régulières,
±
les fonctions microscopiques h± ±
x (s), ax,x+ei et rx (s) peuvent être remplacées par
leur moyenne spatiale dans une boite B` (x) de taille 2`+1 autour de x. Dans ce cas,
la limite ` → ∞ sera prise après la limite N → ∞. Une question naturelle est donc
de savoir quelle mesure utiliser pour calculer ces valeurs moyennes. Un résultat
fort démontré dans [39] est que, grâce aux séparations d’échelles de temps, on
peut utiliser la mesure d’équilibre associée au processus symétrique, conditionnée
à avoir la bonne densité de particules + et − dans la boîte mésoscopique. On
obtient alors ce que l’on appelle une estimation à un bloc, par exemple :
1 X
h± ±
y ' Eνρ± (η) (hx ). (2.2.14)
|B` (x)| `
y∈B` (x)
où νρ± (η) est une mesure produit qui place une particule ± au site y avec une
`
probabilité ρ± . De même, cette relation peut être écrite pour a± ±
x,x+e1 et rx au lieu
de hx .
Pour passer formellement à la limite macroscopique, il faut ensuite remplacer
le calcul de la moyenne dans une boite microscopique de taille ` par le même calcul
dans une boîte mésoscopique de taille N . C’est l’objet de ce que les mathémati-
ciens appellent l’estimation à deux blocs, qui grâce à (2.2.14), donne :
1 X
h± ±
y ' Eνρ± (x,x) (hx ), (2.2.15)
|B` (x)| εN
y∈B` (x)
28
Z Z Z t Z h
± ±
f (u, t)G(u)du − f (u, 0)G(u)du = ∆G(u)d(f + , f − )(u, s)
Td Td s=0 Td
i
+ ∂u1 G(u)σ(f , f )(u, s) + G(u)F (f + , f − )(u, s) duds (2.2.17)
+ −
avec
d(f + , f − ) = Eνf ± (h±
0 ), σ(f + , f − ) = Eνf ± (s,u) (a±
0,e1 ),
29
Figure 1 – Schéma de la dynamique microscopique pour le système MIPS
γ + −
∂t hρ+ + + +
i i =D[hρi+1 i + hρi−1 i − 2hρi i] − hρ i i − hρi i
L2
λ
+
+ ρi−1 1 − |ρi | − ρ+i 1 − |ρi+1 | (2.3.1)
L
−
avec ρi = ρ+i + ρi
On voit que l’équation (2.3.1) n’est pas fermée car elle met en jeu les corrélations
à deux points hρ+ +
i ρi+1 i et hρi−1 ρi i. Cela dit, les mathématiciens montrent qu’il est
possible d’écrire, au niveau macroscopique, grâce à la manière dont les taux ont
été définis, un système d’équations fermées.
30
2.3.2 Equations hydrodynamiques exactes
Afin d’écrire les équations hydrodynamiques qui décrivent le système, des champs
de densités ρ+ et ρ− de particules + et − sont définis. Autour d’un point x = i/L
on définit une boite de taille Lδ , grande devant 1 et petite devant L. On calcule la
moyenne du nombre de particules par site dans cette boite :
1 X
ρ± (x, τ ) ' 1{σi (τ L2 )=±1} , (2.3.2)
2Lδ
|i−Lx| 6 Lδ
P (σ = ±1) = ρ± (2.3.3)
L’échelle à laquelle le système est regardé est définie par δ et lorsque L tend
vers l’infini, x évolue sur le segment [0, α]. Grâce à cette mesure d’équilibre locale,
on peut calculer les termes non-linéaires dans l’équation (2.3.1) et il en résulte les
équations hydrodynamiques suivantes sur les champs de densité ρ+ et ρ− :
Ces équations se composent d’un terme lié à la diffusion, d’un terme lié à la
convection et d’un troisième, lié à la dynamique de retournement. Le terme de dif-
fusion représente directement le processus symétrique. Le terme de convection est,
quant à lui, plus compliqué à interpréter : il traduit le déplacement des particules
à une vitesse v(ρ) = λ(1 − ρ). Cette vitesse décroit avec la densité et s’annule
si la densité vaut 1, ce qui rend compte du phénomène d’exclusion asymétrique.
31
Le troisième terme de l’équation (2.3.7) rend compte de la dynamique de retour-
nements. Les particules étant équiprobablement de signe + ou −, on obtient, au
niveau macroscopique un amortissement de la magnétisation.
Afin d’identifier les paramètres physiques qui contrôlent la phénoménologie de
ce système, on réécrit les équations (2.3.6, 2.3.7) sous forme adimensionelle. Pour
cela on introduit les variables suivantes :
ρ = ρ0 ρ̃
m = ρ0 m̃
x = `x̃
t = τ t̃
où les variables tildées sont sans dimension et ρ0 , `, τ sont une densité, une
longueur et un temps caractéristique. On réexprime alors (2.3.6,2.3.7) en utilisant
ces nouvelles variables :
ρ0 ρ0 D ˜ ρ0 λ ˜
∂ ρ̃ = ∆ρ̃ + ∇(m̃(1 − ρ0 ρ̃)) (2.3.9)
τ t̃ `2 `
ρ0 ρ0 D ˜ ρ0 λ ˜
∂ m̃ = ∆m̃ + ∇(ρ̃(1 − ρ0 ρ̃)) − 2ρ0 m̃γ (2.3.10)
τ t̃ `2 `
En choisissant ρ0 = 1, γτ = 1 et Dτ `2 = 1, on obtient ρ0`λ = √Dγ λ
. i.e x ∈
pγ
0, α D , ρ ∈ [0, 1], m ∈ [−1, 1]. Le temps t est remis à l’échelle avec un facteur
γ −1 .
Dans ce nouveau système d’unité, en omettant les tildes sur les variables par
commodité, les équations précédentes deviennent :
32
Pour une densité fixée, c’est le nombre de Péclet qui contrôle toute la phé-
noménologie. À une densité suffisament grande, si le nombre de Péclet est grand
(Pe 1) alors les effets dus à l’activité des particules seront les plus visibles. Pour
un nombre de Peclet faible, la diffusion sera dominante.
Utilisons la fin de cette section pour généraliser notre système à d > 1 dimen-
sions : l’étude porte alors sur un tore discret en d dimensions avec L sites dans
chaque direction. La dynamique ne diffère que très peu :
1. pour chaque lien (x, x + ei ) du réseau, les valeurs σx et σx+ei sont échangées
avec un taux D.
2. pour chaque lien (x, x + e1 ), une particule + saute du site x au site x + e1
avec un taux λ/L si σx+e1 0 ; de même, une particule − saute du site x + e1
au site x avec le même taux, si le site d’arrivée est libre.
3. une particule change de direction avec un taux γ/L2 : σx → −σx .
On constate qu’ici les particules ne sont propulsées que dans une direction. Suivant
une procédure de coarse-graining similaire à celles employées précédemment, on
obtient les équations :
Ces équations (2.3.15,2.3.16) sont alors les mêmes que les équations (2.3.6,2.3.7).
les résultats mathématiques de nos collaborateurs assurent que, lorsque L →
∞, la dynamique des champs ρ± définit à l’équation (2.3.2) converge au sens faible
vers (2.3.6,2.3.7) pour des temps macroscopiques d’ordre 1. Pour obtenir une com-
préhension plus concrête de ces résultats et des échelles de temps et d’espaces
pertinentes, nous comparons dans la section 2.3.3 des simulations du phénomène
microscopique et des solutions numériques des équations (2.3.6,2.3.7). Nous mon-
trons ensuite comment les équations hydrodynamiques permettent de prédire (sec-
tion 2.3.4.2) et de rendre compte d’une séparation de phase induite par la motilité
observée dans ce système (section 2.3.4.3).
2.3.3 Simulations
Afin de pouvoir comparer les résultats des simulations numériques et des réso-
lutions des équations aux dérivées partielles, il faut simuler le système au niveau
microscopique de manière exacte et résoudre les équations numériquement. Dans
les deux paragraphes suivant je présente brièvement les méthodes mises en oeuvre
dans cette thèse pour obtenir les résultats.
33
2.3.3.1 Simulations microscopiques
Il existe de nombreuses méthodes pour simuler des processus stochastiques mar-
koviens [41], ici on emploie une méthode de simulation exacte en temps continue.
Dans un premier temps j’explique le principe général de la simulation en temps
continu, ensuite j’explique comment je l’implémente dans notre cas précis.
34
Ainsi on obtient que p(ai ) = Wi dt et par conséquent :
35
Par identification, on obtient le résultat attendu : Wef f = pW .
La stratégie décrite précédemment permet de ne garder en mémoire que la
configuration à un instant du réseau, et de faire évoluer celui-ci sans tenir compte,
a priori, des détails du réseau. Ainsi il n’y a pas besoin de tenir à jour des listes
de sites occupées ou de particules pouvant sauter. Cela simplifie l’implémentation
du code sans nuire significativement à sa vitesse d’execution.
X
N
n
fk (t) = f (n/N α, t) exp(2kπα ) (2.3.25)
n=−N
N
36
ρk ρk
∂t =A + N L(ρ, m) (2.3.28)
mk mk
−Dk 2 −λik
Où A = et N L(ρ, m) désigne la partie non linéaire de
−λik −Dk 2 − 2γ
T Fk [mρ]
l’équation : N L(ρ, m) = λik
T Fk [ρ2 ]
Il s’agit donc de résoudre cette équation numériquement. Pour cela, nous al-
lons utiliser un schéma d’Euler semi-implicite (la partie non-linéaire est calculée
directement). La matrice A ne dépendant pas du temps, mettre en place ce schéma
d’intégration n’est pas plus coûteux que le schéma d’Euler classique et présente
l’avantage d’être stable.
ρk
On pose X(t) = à l’instant t, note dt le pas d’intégration temporel et
mk
α ∈]0; 1[ le degré d’implicite du schéma.
2.3.4 Résultats
Dans un premier temps, en comparant les simulations microscopiques exactes
et la solution numérique des équations 2.3.6,2.3.7, on valide tant les méthodes nu-
mériques employées que les gammes de tailles et de temps sur lesquelles la conver-
gence entre les simulations macroscopiques et microscopiques est établie. Ensuite,
pour comprendre plus finement le système, les solutions homogènes du système
sont étudiées, les lignes spinodales et binodales sont calculées analytiquement et
vérifiées numériquement.
37
2.3.4.1 Des simulations microscopiques à la résolution de PDE
Les équations hydrodynamiques permettent d’étudier la dynamique du phéno-
mène en moyenne. Afin de comparer les résultats des simulations microscopiques
aux solutions issues de la résolution des PDE, on crée de nombreuses réalisations
du système microscopique à partir d’une même distribution de densité initiale et
on fait la moyenne de ces réalisations. On voit (figure 4) que les résultats sont
complètement superposables à ceux de la résolution des EDP.
et s’écrit :
δρ δρ −k 2 iPe(1 − ρ0 )k
∂t =A avec A = (2.3.34)
δm δm iPe(1 − 2ρ0 )k −(k 2 + 2)
sous forme vectorielle. On sait que l’étude du signe de la partie réelle des valeurs
propres de cette matrice A nous donne la stabilité linéaire de la solution constante
et homogène.
Comme Tr(A) < 0∀k, le système est stable si ∀k, Det(M ) > 0 :
38
α=1 α=2 α=3 α=4 α=5
Cela signifie que le système est instable dès que Pe2 (1 − ρ0 )(2ρ0 − 1) − 2 > 0.
C’est-à-dire pour Pe > 4 et ρ ∈ [ρs` , ρsg ] avec :
r
3 1 16
ρ` = − 1− 2 (2.3.35)
4 4 Pe
r
3 1 16
ρh = + 1− 2 (2.3.36)
4 4 Pe
Ce sont les équations des lignes spinodales. Entre ces lignes la solution homo-
gène est linéairement instable.
À ce point de l’exposé il est important de rappeler que le système est de taille
finie. Or, comme suggéré
p par l’analyse de stabilité linéaire, il y existe une pulsa-
tion minimale kp = Pe2 (1 − ρ0 )(2ρ0 − 1) − 2 à atteindre afin que le système se
déstabilise. Pour que le système atteigne une telle pulsation, il doit mesurer une
taille minimale `p = 2π
kp
La figure 2.3.4.2, nous montre que le système, pour Pe = 10 et ρs = 0.75, se
√
sépare de phase seulement si α γD > `p (il faut noter que dans le système d’unité
√
adimensionalisée x ∈ [0, α γD]). De même, la simulation microscopique en deux
dimensions, simulée entre les deux spinodales, nous donne une séparation de phase
(figure 3).
Par ailleurs, on constate que même dans la zone d’instabilité, la moyenne de
N simulations microscopiques suit la même dynamique que celle décrite par les
équations macroscopiques (figure 4)
Cela dit, après un certain temps, la moyenne des simulations microscopiques
s’effondre vers un profil plat. Ce phénomène s’explique parce que le cluster de haute
39
0
100
200
300
400
0 100 200 300 400
Figure 3 – simulation microscopique en deux dimensions. Les points bleus re-
présentent les particules + et les points rouges les particules -. Paramètres :
L = 100, α = 4, ρ0 = 0.65, D = 1, γ = 10 et λ = 40
40
densité se déplace aléatoirement suivant l’axe des abscisses. Ainsi, lorsqu’on prend
la moyenne sur un grand nombre de réalisations, cela homogénéïse la densité.
On sait que si le cluster se déplace c’est que sa Pmagnétisation est non-nulle.
Étudions la magnétisation totale du système : M = σi . L’équation maîtresse
06i6L
qui régit P (M ) est :
Nγ Nγ
∂t P (M ) = 2
(P (M + 2) + P (M − 2) − P (M )) + 2 ((M + 2)P (M + 2) + (M − 2)P (M − 2))
2L 2L
(2.3.37)
γ
hM i = M (0)e− L2 t (2.3.38)
γ
2 − t
hM i = N (1 − e L2 ) (2.3.39)
On voit que si la moyenne s’effondre vers zéro, les effets dus aux fluctuations
de M sont visibles après un temps d’ordre L2 /γ. Dans la suite, on cherche à
caractériser la solution séparée de phase, c’est à dire à calculer les densités ρg et
ρ` de coexistence.
1
m= ∇ log(1 − ρ) (2.3.42)
λ
ainsi l’équation (2.3.41) nous permet d’écrire ∀x ∈ [0, α] :
41
Λ(ρ)(∇ρ)2 − κ(ρ)∆ρ + g(ρ) = ḡ (2.3.43)
1 1
où ḡ est une constante, Λ(ρ) = − λ(1−ρ) 2 , κ(ρ) = λ(1−ρ) et g(ρ) = λ(ρ(1 − ρ)) −
2 λγ log(1 − ρ).
On a donc une première quantité ḡ qui est constante. Au milieu de la phase
liquide et de la phase gazeuse ∇ρ = 0, on peut donc écrire la relation :
entre ρg et ρ` .
Pour trouver une deuxième relation, on pose l’intégrale suivante :
Zxg
ḡ∇R(ρ) = ḡ(R(ρ` ) − R(ρg )) (2.3.45)
x`
Zxg Zxg
g(ρ)∇R(ρ) + (Λ(ρ)(∇ρ)2 − κ(ρ)∆ρ)∇R(ρ) = ḡ(R(ρ` ) − R(ρg )) (2.3.46)
x` x`
dΦ
avec Φ tel que dR = g.
On choisit alors R(ρ) de sorte que la deuxième intégrale de l’équation 2.3.46
s’annule :
Zxg Zxg
1
dx(Λ(ρ)(∇ρ)2 − κ(ρ)∆ρ)∇R(ρ) = dx∇( R0 κ(ρ)(∇ρ)2 ) = 0 (2.3.48)
2
x` x`
42
Φ(R)
30
20
10
-8 -6 -4 -2
R
-10
-20
-30
-40
La première condition (2.3.44) peut alors être réécrite avec les variables Φ et
R:
43
1
0.9
0.8
0.7
0.6
ρ0
0.5
0.4
0.3
0.2
0.1
3 4 5 6 7 8 9 10
Peclet
nous permet d’obtenir R` , Rg et, à travers ces quantités, on peut obtenir les densi-
tés de coexistence ρ` et ρg . La résolution numérique (par une méthode de Newton)
de ces équations peut alors être comparée aux mesures des densités de coexistence,
c’est ce qui est représenté sur la figure 6
44
Figure 7 – Schéma de la dynamique des particules dans le modèle transition vers
le mouvement collectif.
avec
c± + − + −
i (ηi , ηi ) = exp[∓β(ηi − ηi )] (2.4.1)
On notera par ailleurs que β fonctionne ici comme l’inverse d’une "tempéra-
ture" T . Les taux c±
i sont tels qu’à basse température, l’alignement est très effectif
et on observe une phase ordonnée. À haute température, il n’y a plus d’alignement.
Encore une fois, les taux sont choisis de manière à ce qu’au niveau hydrodyna-
mique chaque terme ait la même contribution si on réechellone l’espace par L et
le temps par L2 .
45
= ρ+ e−β exp(ρ+ (e−β − 1) + ρ− (eβ − 1)) − ρ− e−β exp(ρ+ (eβ − 1) + ρ− (e−β − 1))
(2.4.6)
+ − + −
Les équations (2.4.3) sont réécrites suivant les champs ρ = ρ +ρ 2
et m = ρ −ρ2
qui représentent la densité et la direction locale des particules, ou par analogie avec
le système d’Ising d’équilibre, la magnétisation :
∂t ρ = ∆ρ + λ∇m (2.4.7)
m+ρ m−ρ
∂t m = ∆m + λ∇ρ − 2F ( , ) (2.4.8)
2 2
Dans la suite, on assimile F ( m+ρ
2
, m−ρ
2
)) et F̃ (ρ, m) avec
m+ρ m−ρ e−β
F( , )) = F̃ (ρ, m) = exp(ρ( ch(β) − 1)) [−ρ sh(m sh(β)) + m ch(m sh(β))]
2 2 2
(2.4.9)
Le système (2.4.7, 2.4.8) décrit donc la dynamique au niveau mésoscopique. Il com-
bine un terme diffusif qui témoigne des sauts symétriques, un terme de convection
qui provient du caractère actif des particules étudiées et un terme non-linéaire
F (ρ, m), qui rend compte de la dynamique d’alignement.
Étudions la stabilité linéaire des solutions homogènes de cette équation. Le
couple ρ(x, t) = ρs et m(x, t) = 0 est solution de (2.4.7, 2.4.8). C’est une solution
homogène désordonnée, on peut linéariser le système autour de cette solution et
l’exprimer dans l’espace de Fourrier, ainsi, ∀k ∈ R :
ρk ρk
∂t =M (2.4.10)
mk mk
2
−k λik
Avec M = . La solution
λik (−k 2 − 2e−β exp(ρs ( ch(β) − 1)) (1 − ρs sh(β)))
étudiée est instable si la partie réelle d’une des valeurs propres de M , X1 ou X2 ,
est positive :
q
X1 = −k 2 + e−β+ρs (−1+ ch(β)) (ρs sh(β) − 1) − −k 2 λ2 + e−2(β+ρs −ρs ch(β)) (−1 + ρs sh(β))2
(2.4.11)
q
X2 = −k 2 + e−β+ρs (−1+ ch(β)) (ρs sh(β) − 1) + −k 2 λ2 + e−2(β+ρs −ρs ch(β)) (−1 + ρs sh(β))2
(2.4.12)
Pour k = 0, X1 = 0, par contre, X2 = 0 si ρs sh(β) < 1 et X2 > 0 sinon. La
solution homogène ρ(x, t) = ρs , m(x, t) = 0 est linéairement instable si ρs = ρ`s +δρ
ρ`s sh(β) < 1 (2.4.13)
46
On suppose alors que la solution se déstabilise vers une solution homogène
désordonnée ρ(x, t) = ρs et m = m0 avec m0 une solution non nulle de
F (m0 , ρs ) = 0
⇔ − ρs sh(m0 sh(β)) + m0 ch(m0 sh(β)) = 0 (2.4.14)
m0
⇔ − tanh(m0 sh(β)) = 0 (2.4.15)
ρs
On retrouve une nouvelle condition d’instabilité autour de ce point de fonc-
tionnement. En effet, pour chaque β, on cherche la plus petite valeur de ρhs telle
que, quel que soit k ∈ R, la partie réelle d’aucune des valeurs propres de la matrice
M (k) ne soit positive. Avec M (k) la matrice :
−k 2 λik
M =
λik + ∂F −k 2
+ ∂F
∂ρ ∂m
ρs ,m0 ρs ,m0
On propose d’étudier l’état du système entre les deux lignes qui fixent la stabi-
lité linéaire des solutions homogènes. Afin d’observer le phénomène et de mieux le
comprendre, nous allons simuler le système au niveau microscopique et résoudre
les équations hydrodynamiques numériquement.
47
2.4.3 Simulations
Pour simuler le système, nous allons utiliser, comme précédemment, un algo-
rithme en temps continu du processus markovien décrit à la section 2.4.1. Les
grandes lignes de l’algorithme utilisé sont expliquées un peu plus bas.
Pour résoudre les équations hydrodynamiques, la même méthode que celle pré-
sentée section 2.3.3.2 a été utilisée, seul le terme non linéaire de l’équation ayant
changé, nous ne nous y attarderons pas plus.
2.4.4 Résultats
Dans un premier temps, on vérifie la convergence entre les simulations microsco-
piques et le résultat de la résolution numérique. On choisit donc une distribution
initiale de la densité en forme de bosse, on part d’une situation ordonnée dans
une direction à une température basse et une densité assez haute. On réalise cette
expérience de nombreuses fois au niveau microscopique et on compare la moyenne
de ces réalisations au résultat macroscopique (figure 8). On voit qu’au cours du
temps, la bosse relaxe vers un état homogène et ordonné.
48
5 time 0.00 time 0.20
4
3
2
1
0
4
3
2
1
0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
49
2
density
1.5
0.5
0
0 100 200 300 400 500 600
2
1.5
0.5
0
0 20 40 60 80 100 120 140 160 180 200
D’autre part, l’état de la simulation entre les deux spinodales est montré sur
la figure 9. On voit alors qu’il coexiste deux phases : une phase de faible densité
désordonnée et une phase ordonnée de haute densité. On se demande alors quelles
sont les densités de coexistence des phases. On réalise alors numériquement un
diagramme des phases (figure 10).
Les densités de coexistence des phases ne sont, à ce jour, pas calculées analy-
tiquement. On remarquera que ce diagramme des phases ne montre pas d’asymp-
tote horizontale pour une certaine température au-delà de laquelle le système reste
désordonné tel qu’on l’observe pour le modèle d’Ising actif [35] ou dans la suite
de cette thèse section 4.2.2. Cela provient du fait que les taux de flip ne sont pas
bornés. Ainsi, quelque soit la température, avec une densité suffisament grande, le
système pourra s’ordonner ! Enfin, on notera la précision de la correspondance entre
les simulations microscopiques et macroscopiques qui sont le coeur de cette partie
et montrent l’intérêt de la construction d’équations hydrodynamiques exactes pour
les physiciens.
Dans cette partie, nous avons montré qu’il est possible de dériver des équations
hydrodynamiques exactes pour des systèmes de matière active, à partir de modèles
microscopiques minimaux. L’étude des équations obtenues montre alors qu’on peut
comprendre la physique du système étudié. Elle valide l’utilisation de ce procédé
50
Figure 10 – Diagramme des phases de la transition vers le mouvement collectif.
On voit en bleu les lignes spinodales à l’intérieur desquelles les solutions homogènes
sont linéairement instables. En rouge on montre les densités de coexistence de phase
calculées en résolvant numériquement les équations (2.4.7, 2.4.8) et en vert celles
mesurées grâce aux simulations microscopiques. HD et HO montrent les zones dans
lesquelles les les solutions homogènes désordonnées et ordonnées sont stables.
51
de coarse-graining en physique.
52
Chapitre 3
Mouvement Collectif en 1D
53
Résumé : mouvement collectif en une dimension
mean time
2000
10000 -1 1500
Time
1000
100
100 1000 10000 -500
100 1000 10000 100000
Lattice Size
Les asters
Figure 1: À gauche : simulations du modèle d’électeurs ac- À très basse température (les particules peuvent quitter
tifs. En haut : graphique représentant la densité pour une l’aster) : si le courant de particules sortantes est croissant
simulation montrant une nuée. En bas : graphique mon- avec la taille des asters, on n’observe pas d’asters de taille
trant l’aimantation dans une phase présentant des asters. À macroscopique mais une multitude d’asters de taille finie
droite : simulation du modèle d’Ising avec la même phéno- (figure 3). Si ce courant est décroissant, alors on voit la
ménologie. formation d’asters de taille macroscopique.
3.1 Mouvement collectif en une dimension
Les mouvements collectifs ont principalement été étudiés en dimension n > 2
[27, 43]. Il y a plusieurs raisons à cela : historiquement, le problème étant la
simulation et la représentation des mouvements collectifs observés dans la nature,
les études en dimension deux ou trois étaient plus pertinentes. D’autre part, le cas
n = 2 a concentré l’attention des physiciens car on y observe l’émergence d’un ordre
à longue portée. Ceci serait impossible à l’équilibre, comme le stipule le théorème
de Mermin-Wagner et l’étude fine des caractéristiques du cas hors d’équilibre, qui
permettent à ce théorème de ne pas s’appliquer, a fortement attiré l’attention des
physiciens. Il faut néanmoins souligner qu’en une dimension, à l’équilibre, pour des
systèmes de particules interagissant à courte portée, il est impossible, d’après le
théorème de van Hove d’observer des transitions de phases [44]. Néanmoins, dans
les systèmes hors d’équilibre en 1 dimension, tels que le TASEP, il peut y avoir
des transitions de phases, avec notamment un rôle important des conditions aux
bords [45]. L’étude du mouvement collectif en une dimension permet de voir un
nouveau cas de transition de phase hors équilibre en une dimension. La littérature
montre que la phénoménologie de ces modèles n’est pas complètement similaire à
celle observée en deux dimensions, notamment parce que le rôle des fluctuations
est accru en 1D [35].
Dans cette partie, nous étudierons des modèles de mouvement collectif en une
dimension. Nous nous baserons sur différents modèles qui auront tous, au niveau
microscopique, les mêmes types d’ingrédients : l’auto-propulsion et l’alignement
des vitesses. On étudiera alors la phase ordonnée elle-même, lorsque les règles qui
régissent la dynamique microscopique changent. Définissons les différents modèles
que nous allons utiliser.
55
de saut dont la valeur dépend du spin de la particule et de la direction du saut.
L’alignement représente la tendance des particules à s’aligner avec les particules
voisines. Son implémentation dépend des modèles étudiés.
56
Bien que le modèle initiale ait été défini en temps discret, nous avons choisi
de mener les simulations en temps continu, afin de pouvoir comparer les résultats
issus de la simulation de ce modèle et de ceux issus de la simulation du modèle
d’Ising actif.
57
Figure 1 – Instantanés de différentes simulations : à gauche, la simulation du
modèle d’Evans, à droite, celle du modèle d’Ising. En haut : À haute tempéra-
ture les systèmes sont complètement désordonnés. En bas : Lorsqu’on baisse la
température, on voit se former une bande dense et ordonnée de particules.
58
Figure 2 – À très basse température, pour le modèle d’Ising (à gauche), ap-
paraissent des asters. Pour le modèle d’électeurs actifs (à droite) on observe des
asters pour une variation du modèle d’électeur actif. Ici, la fonction majorité ne
tient compte que des sites derrière la particule (le sens de la particule est fixé par
son spin).
59
semble à ce qui est observé pour des criquets dans [51] ou pour les poissons dans
[50].
Ainsi, pour des tailles de système grandes, le système ne sera presque jamais
complètement ordonné : quelle que soit la rareté d’une fluctuation suffisament
grande pour retourner un état ordonné d’aimantation m0 , sa probabilité P0 est
finie. L’entropie d’une telle fluctuation diverge avec la taille du système de telle
sorte que l’état ordonné est globalement instable dans cette limite. Notons que c’est
une instabilité de nucléation, l’état homogène ordonné étant linéairement stable
au dessus de la spinodale ρ` (cf section 2.4.2) En outre, si le taux d’apparition
d’une telle fluctuation dans une boite de taille ` est noté τ0 , pour n = L` boites
indépendantes on trouve un taux τ = nτ0 . Ainsi le temps moyen avant la première
nucléation, Td , est inversement proportionnel à la taille du système :
1
Td ∝ (3.2.2)
L
Cette loi se vérifie in silico (figure 4).
60
Figure 3 – Instantanés d’une réalisation d’une simulation en 1D du modèle d’Ising
Actif. Paramètres :ρ = 5, D = 1, λ = 1, β = 3. En vert : la magnétisation. En
rouge : la densité de particule.
61
1x106
Ising model
Evans Model
100000
mean time
10000 -1
1000
100
100 1000 10000
Lattice Size
Pour retourner la nuée, en imaginant un cas limite pour lequel les particules
prennent systématiquement la direction des particules majoritaires, il faut une
fluctuation de l’aimantation de taille ∆ en x∆ telle que (cf figure 5) :
Z x
∀x > x∆ , ∆ + ρ(u)du > ρ(x) (3.2.3)
x∆
Dans l’article [46], Evans, prédit un temps moyen hτ i entre chaque retourne-
ment :
hτ i ∝ ln L (3.2.4)
pour un système de taille L. Cet argument repose sur l’idée qu’une nuée s’étale
diffusivement au cours du temps. Après un temps d’ordre ln L la bande est suffi-
samment étalée pour que des fluctuations δρ d’ordre 1 retournent la nuée (figure 7).
En revanche, Solon et Tailleur [35], prédisent qu’après un étalement diffusif
initial, une phase liquide de densité finie et de taille extensive apparait. La taille
de la fluctuation pour retourner cette phase ne dépend alors plus de L. Dans les
simulations, pour le modèle d’Ising actif on peut observer un crossover entre ces
deux régimes (figure 6).
Pour le modèle d’électeurs actifs, les paramètres qui permettent d’observer ce
changement de régimes sont difficiles à trouver. Néanmoins, en choisissant ρ et η, il
est possible d’observer le régime dans lequel, à l’avant de la nuée, on peut observer
une phase liquide densité donnée (figure 8). Le scaling du temps de retournement
devrait alors être indépendant de L mais un test de cette prédiction est au delà
de ce que nous pouvons faire numériquement.
62
Figure 5 – Sur ces séries d’images on voit, en bleu, une nuée qui se déplace vers
la gauche, en rouge une fluctuation qui se déplace vers la droite (dont la taille en
fonction de la position est calculée grâce à l’équation 3.2.3. En haut la fluctuation
est suffisament grande pour retourner toute la nuée. En bas la fluctuation n’est
pas assez grande et est alors elle meme retourné par la nuée.
3000
2500
2000
1500
Time
1000
500
-500
100 1000 10000 100000
Size
63
4000
η=0.01
η=0.02
η=0.04
3500
3000
2500
2000
Time
1500
1000
500
-500
10 100 1000 10000 100000
Size
Figure 7 – Temps moyen entre deux retournements pour le modèle d’Evans à bas
bruit.
Figure 8 – Sur cette simulation on voit deux nuées, un zoom sur l’avant d’une
des nuées nous montre la phase liquide de densité fixé ρ = 1, η = 0.12, λ = 1,
γ=1
64
Figure 9 – Temps moyen entre deux retournements pour le modèle d’Ising en
fonction de la largeur (Ly ) du système pour différentes longueurs (Lx ) de système.
65
66
Figure 10 – En haut : abeille butinant une fleur de la famille des Astéracées
(Aster en langage vernaculaire) qui doivent leur nom à la disposition en étoile de
leurs pétales. Au milieu : le centrosome et les microtubules sont des structures
protéïniques qui, au cours de la mitose, forment un système nommé aster. En
bas : défaut étoilé dans gel actif [52].
Figure 11 – Exemple de la dynamique interne à un aster : quand une parti-
cule saute sur le site voisin, elle change de direction et finalement on revient à la
situation initiale.
3.3.1 Limite T = 0
À température nulle, si une particule arrive sur un site d’aimantation contraire,
elle va s’aligner instantanément avec celle-ci. Ainsi, dans la situation d’un aster
mettant en jeu 2N particules sur deux sites on voit que les particules auront
tendance à sauter d’un site à l’autre sans cesse. Une telle situation se débloque si, à
un moment donné, un des deux sites se vide complètement (figure 12). La question
qui se pose naturellement est de savoir combien de temps, une telle situation, met
à se débloquer.
Prenons un modèle de particules autopropulsées (avec un taux de saut Wj = 1),
sans diffusion, avec un alignement parfait. On observe les sites a et a+1 sur lesquels
on voit un aster constitué de 2N particules au total. on note na (t) le nombre de
particules sur le site a à l’instant T.
La probabilité P (n, t) que na (t) = n vérifie l’équation maîtresse suivante :
En effet, le premier terme vient d’une situation dans laquelle une particule
saute de a + 1 vers a pour rétablir la configuration dans laquelle na (t) = n. Le
deuxième terme représente la probabilité qu’une particule saute du site a vers a+1
67
Figure 12 – Configurations dans lesquelles les particules peuvent avancer : il n’y
a plus d’aster.
afin de rétablir n(a) = n. Le dernier terme représente le taux auquel, étant déjà
dans la configuration n(a) = n, une des 2N particules de l’aster change de position
et fuit la configuration.
En moyenne, quelque soit na (t = 0). Un tel système relaxe vers na = N expo-
nentiellement :
n0
hna (t)i = N (( − 1)e−2t + 1) (3.3.2)
N
Intéressons-nous maintenant au temps que met le système à atteindre une des
configurations représentées figure 12, qui permettent la dissolution de l’aster.
Nous montrons que le système que nous étudions est équivalent, pour N grand,
à une marche aléatoire dans un potentiel quadratique : en effet, notons N1 = dx,
n
N
= x et passons à la limite continue dans l’équation 3.3.4 en rééchelant l’espace
par N :
∂P (x, t) ∂ 2 P (x, t)
dxṖ (x, t) =(2 − x + dx)[P (x, t) − dx + dx2 ]
∂x ∂x2
2
∂P (x, t) 2 ∂ P (x, t)
+ (x + dx)[P (x, t) + dx + dx ]
∂x ∂x2
− 2P (x, t) (3.3.5)
68
Figure 13 – À température nulle, les asters ont la même dynamique qu’une par-
ticule qui effectuerait une marche aléatoire dans un potentiel quadratique.
∂P (x, t) ∂ 2 P (x, t)
dxṖ (x, t) =2dxP (x, t) + 2dx(x − 1) + dx2 (2 + 2dx)
∂x ∂x2
(3.3.6)
dFn
= pn−1 Fn−1 + qn+1 Fn+1 − Fn (3.3.8)
dt
69
La distribution de probabilité va approcher la distribution stationnaire en un
temps caratéristique T très grand devant le temps entre deux sauts, ainsi nous
allons chercher à calculer cette constante de temps suivant une approche WKB.
On cherche donc une solution quasi-stationaire sous la forme Fn = eSn où Sn est
une fonction suffisamment régulière de n telle que Sn±1 = Sn ± dSn dn
. On note
dSn
Ψn = exp( dn ), et on obtient :
Fn
0 = pn−1 + qn+1 Ψn Fn − Fn (3.3.9)
Ψn
0 = pn Ψ2n + qn − Ψn (3.3.10)
Ψsol
n
1
= 1 et Ψsol
n
2
= 2Nn−n , sont les solutions de 3.3.10. Comme la distribution
de probabilité n’est pas homogène, la solution homogène Ψsol n
1
n’est pas acceptable,
sol2 sol2
on choisit alors Ψn . On intégre logΨn et on obtient :
T ∼ 22N (3.3.14)
Ce résultat est clairement vérifié par les simulations (figure 14), le coefficient
de proportionalité k = 21 peut être retrouvé par un calcul exact bien plus lourd à
présenter.
70
Figure 14 – Chaque point représente la moyenne sur 10000 occurrences du temps
de résorbtion de l’aster. le coefficient k = 1/2 peut être retrouvé de manière exacte.
est-ce une singularité qui n’apparait qu’à température nulle ? En effet, à tempéra-
ture très basse et non nulle, les particules ne se retournent plus systématiquement
lorsqu’elles arrivent sur le site opposé ; elles peuvent continuer à sauter. Cette fuite
peut être mesurée et dépend de la fonction qui fixe les taux d’alignements.
Plaçons-nous dans la situation (figure 15) où, dans un aster, une particule + a
sauté sur le site contenant une majorité de particules −. Les taux Wj de saut et
Wf de retournement, sont finis. Ainsi, au prochain changement de configuration
cette particule aura une probabilité
Wf
Pf =
Wf + Wj
de se retourner et ainsi de rester dans l’aster et une probabilité
Wj
Pj =
Wf + Wj
de sauter ainsi de quitter l’Aster.
Si on part de la situation initiale présenté figure 15, alors on voit que les ρ
particules piégées dans l’aster sont susceptibles de sauter sur le site voisin. Cela
donne le courant de particules sortantes :
js (ρ) ∝ ρWj Pj
71
Figure 15 – Le schéma représente ici un cas de fuite (ou non) d’un aster pour
une particule +. Les mêmes scénarii peuvent se produire pour une particule −.
Notons qu’à température non nulle, il existe aussi la possibilité qu’une particule
se retourne spontannément et s’échappe de l’aster. Ce processus donne lieu une
contribution négligeable au courant de particules sortantes.
Si js (ρ) est une fonction croissante de ρ, alors plus l’aster grandit plus le courant
de particules sortantes augmente. Les grands asters fuient plus que les petits et
font grandir ces derniers. Ainsi il va se créer un nombre extensif d’asters de tailles
finies qui s’équilibrent. En revanche, si js (ρ) est une fonction décroissante de ρ
alors les particules fuient plus facilement les petits asters que les grands et on voit
un coarse-graining vers un nombre fini de clusters de taille macroscopique.
Plus précisement, supposons que le courant de fuite soit décroissant avec la
densité de l’aster : plus ce dernier est grand, plus il est difficile pour les particules
de le quitter. Ainsi, dans un système de taille L, les particules des petits asters
vont s’échapper plus facilement jusqu’à se piéger dans les asters les plus gros. On
observe alors un coarse-graining. Par exemple, si on choisit :
Si smi > 0 alors Wf est une fonction croissante, non bornée de smi et par
extension du nombre de particule dans l’aster (dans un aster ρ ' |m|). Les taux
72
Figure 16 – Mesure de l’évolution du nombre moyen de particules par aster au
cours du temps pour une simulation commençant avec 10 asters de taille ρ = 18.
js (ρ) ∝ ρ (3.3.18)
On peut mesurer ce courant de fuite : on observe que la fonction croît avec la taille
de l’aster (figure 17), cela signifie que plus l’aster est grand, moins les particules
mettent de temps à en sortir. Cela permet d’équilibrer les asters qui peuvent alors
73
Figure 17 – Mesure du taux de sortie d’un Aster en fonction de la taille de celui-ci
et dont la règle d’alignement est régie par l’équation (3.3.17). On voit que ce taux
est croissant en fonction du nombre de particules piégées.
coexister. La figure 18 nous montre bien comment, si on part avec un seul grand
aster, ce dernier fond. Lorsque la densité est suffisament élevée dans le reste du
système, on voit de nouveaux asters se former.
3.3.3 Conclusion
Dans cette partie, on a montré que la phase ordonnée est métastable avec un
temps caractéristique de déstabilisation τd ∝ L1 . Cette instabilité donne lieu à
un régime dans lequel une phase dense et ordonnée se déplace sur un fond peu
dense et désordonné. En outre, ces nuées se retournent de manière aléatoire avec
un temps caractéristique τr , on identifie deux régimes en fonction de la taille du
système : τ ∝ ln(L) pour les systèmes de petites tailles et τ ∝ O(1) lorsque L
grandit. Lorsqu’on abbaisse encore la température, on voit apparaitre un nouvelle
objet : les asters. Ces situations de blocages existent à température nulle et ont un
temps de vie moyen τv ∝ 2N où N est le nombre de particules piégées. À très faible
température, ces objets sont de taille macroscopique seulement si les taux de saut
permettent d’avoir un courant de fuite décroissant en fonction de la population des
asters. Dans ce cas, une question naturelle est de savoir s’il existe une transition de
phase entre la présence d’asters et de nuée. Dans le cas contraire, la limite T = 0
est probablement singulière.
74
Figure 18 – Mesure de l’evolution de la taille et du nombre d’aster dans une
simulation partant d’un aster de taille 1000 avec évoluant avec des taux de retour-
nement bornée (équation (3.3.17)) .
75
Chapitre 4
76
Résumé : modèle d’horloge à q-heure
0.2
120
105
0.06
0.04
720
640
75
0.02
560
480
Counts
Counts
0.0 60 0.00 400
y
320
45
0.1 0.02 240
78
Figure 1 – Diagramme des phase d’un modèle d’horloge à q états, extrait de [53].
On voit que pour q 6 4 on est dans la classe d’universalité du modèle d’Ising. La
ligne T1 montre la ligne de transition de phase vers l’ordre, T2 montre la ligne de
transition vers la phase BKT .
79
Figure 2 – Sur cette figure issue de [54], on voit des histogrammes représentant
l’aimantation pour un modèle d’horloges à q = 8 heures dans le plan complexe. À
faible température (a) la magnétisation est nulle, lorsqu’on baisse la température
on observe une phase quasi-liquide (b) puis une phase ordonnée (c).
80
Ainsi, une particule qui pointe dans une direction intermédiaire aura un dé-
placement moyen dans cette direction, mais se déplacera à chaque pas suivant les
directions du réseau (Figure 3).
Figure 3 – Schéma pour q = 8 des sauts possibles d’une particule et les taux
associés.
81
Figure 4 – Schéma pour q = 8 des deux flips possibles d’une particule d’un spin
orienté initialement selon θ = π4 .
On voit que, si toute les particules sur un site ont le même spin, alors H est
P
q−1
minimal. On peut noter m ~ = ni s~i la direction globale (on l’appellera aussi
i=0
l’aimantation du site, par analogie avec les modèles pour le ferromagnétisme) pour
P
q−1
un site, et ρ = ni le nombre de particules sur un site. En remarquant que
P P
i=0 P
~ 2 = i k~si k2 + i6=j ~si~sj = ρ + i6=j ~si~sj on obtient :
m
m2 − ρ
H=− (4.1.3)
2ρ
~ →m
W (m ~ + δ m)P
~ (m)
~ = W (m ~ → m)P
~ + δm ~ (m~ + δ m)
~ (4.1.5)
Il s’ensuit qu’un des taux de flip possible qui satisfait le bilan détaillé est :
β ~2
δm
~ →m
W (m ~ = γe 2ρ (m·δ
~ + δ m) ~ m+~ 2
)
(4.1.6)
82
~2
βδ m
Ainsi écrit, (4.1.5) peut se simplifier par e 4ρ , ce facteur étant absorbé dans γ (il
ne dépend pas de ~s.)
Le choix d’une dynamique d’équilibre pour les changements de direction est
pertinent pour deux raisons. D’une part cela nous donne une idée intuitive de ce que
fera le modèle lorsque la température variera puisque les modèles ferromagnétiques
d’équilibre sont maintenant connus. D’autre part, lorsqu’on supprime l’activité, on
s’attend à ce que la phénoménologie soit celle de l’équilibre [55].
Cela dit, nous allons dans un premier temps vérifier qu’au niveau champ moyen
on observe effectivement un changement de comportement de notre système à
mesure que q augmente.
Dans l’approximation de champ moyen, on considère que chaque particule est sou-
mise à une aimantation moyenne, qui est la moyenne de toutes les autres particules.
Dans le cas où tous les spins sont connectés, les prédictions des calculs en champ
moyen sont exactes dans la limite N → ∞. Si on note P (~si = (cos θi , sin θi )) =
eβ m·
~ s~i
q−1 ; où les ~sk sont les vecteurs unitaires d’angle θk = 2kπ
q
. On obtient :
eβ m·
~ s~k
P
k=0
P
q−1
s~k eβ m·
~ s~k
k=0
h~si i = m
~ = (4.2.3)
P
q−1
eβ m·
~ s~k
k=0
83
À partir de l’équation 4.2.3), on peut calculer la température critique pour les
différents q. En effet si on note m = kmk
~ et φ = arg(m),
~ on obtient en développant
à l’ordre 3 en m et pour tout q > 1 (en notation complexe et en effectuant les
produits scalaires) :
q−1
X 2kπ 1 2 2 2kπ
iφ 2
me 1 + βm cos(φ − ) + β m cos (φ − ) =
k=0
q 2 q
q−1
X
i 2kπ 2kπ 1 2 2 2 2kπ 1 3 3 3 2kπ
e q 1 + βm cos(φ − ) + β m cos (φ − ) + β m cos (φ − ) + o(β 4 m4 )
k=0
q 2 q 6 q
(4.2.4)
Les sommes qui apparaissent dans l’équation (4.2.4) peuvent être calculées pour
les différentes valeurs de q :
— q=2:
1
meiφ (2 + m2 β 2 cos2 (φ)) = 2βm cos(φ) + β 3 m3 cos3 (φ) (4.2.5)
6
— q=3:
m2 β 2 3 3 3
3meiφ (1 + ) = βmeiφ + β 2 m2 e−i2φ + β 3 m3 eiφ (4.2.6)
4 2 8 16
— q=4:
m2 β 2 β 3 m3 iφ
4meiφ (1 + ) = 2βmeiφ + (3e + e−3iφ ) (4.2.7)
4 12
— q>4:
m2 β 2 βm β 3 m3
qmeiφ (1 + ) = qeiφ ( + ) (4.2.8)
4 2 16
Ces équations permettent d’une part de trouver la température critique Tc = β1c
et d’autre part de trouver les phases φ possibles pour l’aimantation. En effet,
pour toutes ces équations m = 0 est une solution évidente. Il existe, lorsque la
température est inférieure à une température critique Tc , des solutions m 6= 0. On
montre que β1c = Tc = 1 pour q = 2 et Tc = 12 pour tout q > 3. Quant à la phase,
on s’aperçoit que si celle ci est contrainte pour les équations q = 2, 3 et 4, et qu’elle
ne l’est plus pour tout q > 4. En effet, de l’équation 4.2.5, on déduit que eiφ est
réel et ainsi que φ = 0 ou φ = π modulo 2π. On trouve, pour m > 0, l’équation :
1
2(β − 1) = (β − )β 2 m2 , (4.2.9)
6
qui n’a de solution que si β > 1. De même, les équations (4.2.6) et (4.2.7) peuvent
être simplifiées par eiφ , on obtient alors :
84
— q=3:
m2 β 2 3 3 3
3(1 + ) = β + β 2 me−i3φ + β 3 m2 (4.2.10)
4 2 8 16
— q=4:
m2 β 2 β 3 m2
4(1 + ) = 2β + (3 + e−4iφ ) (4.2.11)
4 12
qui n’admettent de solution que si les parties imaginaires de e−i3φ et de e−4iφ sont
nulles. Pour les valeurs de q > 4, il n’y a plus aucune contrainte sur φ. Le vecteur
aimantation m ~ peut prendre toutes les directions. Au cours de la simulation, m(t)
~
tourne 5, on retrouve la phénomènologie classiquement associée à un mode de
Goldstone, et donc celle des spins d’Heisenberg.
Counts
0.0 60 0.00 400
y
320
45
0.1 0.02 240
30
160
0.2 0.04
15 80
0.3 0.06
0.3 0.2 0.1 0.0 0.1 0.2 0.3 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40
x x
Par ailleurs, l’équation 4.2.8, montre que pour q > 5 le comportement au voisi-
nage du point critique est le même quel que soit q (figure 6). En effet, simplifions
l’équation 4.2.8 et calculons la température critique (on suppose m > 0) :
m2 β 2 β β 3 m2
1+ = +
4 2 16
2
β β β
⇔1 − = m2 ( − 1)
2 4 4
β β2
⇔2 − β − 1 = m2 (4.2.12)
4 2
Qui n’a de solution que pour 2 < β < 4 et ainsi Tc = 21 .
85
Figure 6 – Comportement de l’aimantation pour les modèles allant de q = 5 à
q = 8 proches du point critique.
X
ρi = nki (4.2.13)
k
et
X
m
~i= ~k
nki S (4.2.14)
k
86
±
On note Wjump ~k · ~ux ) le taux de saut d’une particule de spin
(k) = D(1 ± S
~ i ·~
βm δk,k±1
k du site i vers le site i ± 1. On note Wfi lip (k, k ± 1) = e− 2ρ le taux de flip
d’une particule de spin k du site i vers le spin k ± 1 avec ~δk,k±1 = S
~k − S~k±1
Dans un premier temps, on écrit l’équation maîtresse du système, puis on
construit les équations dynamiques des champs ρi et mi . Cela fait apparaître les
équations des modes d’ordre supérieur. Pour les traiter de manière plus astucieuse,
nous introduirons un paramètre d’ordre complexe. Cela permettra de construire
les équations dynamiques dans l’approximation de champ moyen pour différentes
valeurs de q.
q−1 h
X
L−1 X
+
Ṗ ({nki }) = (nki−1 + 1)P ({nki−1 + 1, nki − 1})Wjump (k)
i=0 k=0
−
+ (nki+1 + 1)P ({nki+1 + 1, nki − 1})Wjump (k)
+ (nk+1
i + 1)P ({nk+1
i + 1, nki − 1})Wfi lip (k + 1, k)
+ (nik−1 + 1)P ({nk−1
i + 1, nki − 1})Wfi lip (k − 1, k)
+ −
i
− nki P ({nki }) Wjump (k) + Wjump (k) + Wfi lip (k, k − 1) + Wfi lip (k, k + 1)
(4.2.15)
Dans les accolades sont notées les différences avec la configuration initiale.
Les deux premiers termes représentent les sauts qui permettent d’arriver dans la
configuration et les deux suivants les flips qui le permettent. Le dernier terme
représente l’ensemble des mouvements de particules qui permettent de quitter la
configuration.
Grâce à cette équation on peut étudier la dynamique de toutes les variables de
ce système. Par exemple si on cherche l’évolution du nombre moyen de particules
au site i, hni i. On dérive cette quantité par rapport au temps :
X
hṅki i = nki Ṗ ({nkj }) (4.2.16)
{nkj }
87
~ i ·~
βm δk+1,k ~ i ·~
βm δk−1,k ~ i ·~
βm δk,k+1 ~ i ·~
βm δk,k−1
+ hnk+1
i e− i + hnik−1 e− 2ρ
2ρ i − hnki (e− 2ρ + e− 2ρ i
2πk ~ ~k i]
=D∆hnki i − 2D cos( )∂x [ux · hnki S
q
~ i ·~
βm δk+1,k ~ i ·~
βm δk−1,k ~ i ·~
βm δk,k+1 ~ i ·~
βm δk,k−1
+ hnk+1
i e− 2ρ i + hnik−1 e− 2ρ i − hnki (e− 2ρ + e− 2ρ i
(4.2.18)
où le premier terme est un terme purement diffusif, le second un terme de convec-
tion lié au caractère actif du système et les derniers sont des termes non-linéaires
liés aux flips. Les opérateurs ∆· ou ∇· peuvent être lu soit comme les opérateurs
laplacien et gradient discrets, soit comme un passage à la limite continue, dans
la limite des grands L et des faibles gradients. On écrit alors l’équation de la
dynamique du champ ρi en dérivant 4.2.13 et en injectant 4.2.18 :
Les termes d’alignement se suppriment les uns les autres puisqu’on somme sur tous
les k possibles. Néanmoins cette équation fait apparaitre le champ d’aimantation
m
~ i . On écrit alors la dynamique pour ce champ :
P
q
avec n ∈ J−q+1, q−1K On note que χ0 = ρ. On voit aussi que χ1 = nki (cos( 2πk
q
)+
k=0
P
q
i sin( 2πk
q
)) = mxi + imyi . En outre χ2 = nki (cos( 4πk
q
) + i sin( 4πk
q
)) = Qxx xy
i + iQi .
k=0
88
~ i · ~δk,k±1 peut se réécrire
On note que sous ces notations, le produit scalaire m
sous la forme
π 2πk π π 2πk π π
~ i · ~δk,k±1 = sin( )[χ1 e−i( q ± 2 ± q ) + χ¯1 ei( q ± 2 ± q ) ]
m
q
Dans la suite on se place dans une approximation de champ moyen qui permet
négliger les corrélations ; on abandonne la notation h·i. En dérivant χn par rapport
au temps, on écrit la dynamique de ces champs pour chaque n, 0 6 n < q :
q
X 2πnk
χ̇n = ṅki ei q
k=0
Xh
q
2πnk 2πnk β ~
~ i ·δk,k+1 i
2πn(k+1) 2πnk
= D∆nki ei q + 2D∇nki ei q + nki e 2ρ m (e q − ei q )
k=0
β ~ 2πn(k−1) 2πnk
i
~ i ·δk,k−1 i
+ nki e 2ρ m (e q − ei q )
q
X 2πnk β ~
~ i ·δk,k+1 i 2πn β ~
~ i ·δk,k−1 −i 2πn
=D∆χn − D(∇χn−1 + χn+1 ) + nki ei q [e 2ρ m (e q − 1) + e 2ρ m (e q − 1)]
k=0
(4.2.22)
β ~
~ i ·δk,k−1
Puis on développe l’exponentielle e 2ρ m en série. Par la suite nous irons jusqu’à
l’ordre trois en supposant que ρ est grand devant kmi k.
2πn
χ̇n =D∆χn − D(∇χn−1 + χn+1 ) + 2(cos( − 1))χn
q
q ∞
i 2πn
X 2πnk X 1 β
+ (e q − 1) nki ei q ( m ~ i · ~δk,k+1 )`
k=0 `=1
`! 2ρ
q ∞
2πn X 2πnk X 1 β
+ (e−i q − 1) nki ei q ( m ~ i · ~δk,k−1 )` (4.2.23)
k=0 `=1
`! 2ρ
et à l’ordre 2 :
89
q q
i 2πn
X 2πnk 1 β −i 2πn
X 2πnk 1 β
(e q − 1) nki ei q ( m ~ 2
~ i · δk,k+1 ) + (e q − 1) nki ei q ( m ~ i · ~δk,k−1 )2
k=0
2 2ρ k=0
2 2ρ
1 β2 π 2π 2πn 2π 2π 2πn 2π
= 2 sin2 ( )[χ21 χn−2 (cos( ) − cos( − )) + χ21 χn+2 (cos( ) − cos( + ))
4ρ q q q q q q q
2πn
+ 2χ1 χ̄1 χn (cos( − 1))] (4.2.25)
q
Je passe sur les détails des calculs de ces résultats qui viennent d’une dou-
loureuse application des formules de trigonométrie. À partir ce ces formules assez
générales, developpées à l’ordre trois en mρi , on peut écrire la dynamique pour tout
q (en additionant tous ces termes).
90
β 2
χ̇2 =D∆χ2 − D(∇χ1 + ∇χ3 ) − 4χ2 + (χ + χ1 χ3 ) (4.2.32)
ρ 1
On voit que pour q = 4, le paramètre d’ordre χ2 qui mesure l’ordre nématique
relaxe rapidement. En effet, si on suppose que l’on puisse trouver un régime où la
longueur de corrélation est grande et le mode χ1 associé à une brisure spontanée
de symétrie à cette échelle, on peut traiter χ2 comme un mode rapide et écrire la
relation de fermeture suivante :
1β 2
χ2 = (χ + χ1 χ3 ) (4.2.33)
4ρ 1
que l’on peut réinjecter dans (4.2.31) pour obtenir un système autoconsistant pour
χ0 et χ1 . On note que, pour arriver à un système d’équations fermées, il n’est pas
nécessaire de négliger de paramètre d’ordre. Pour les cas q > 6, afin d’écrire une
équation fermée pour χ0 et χ1 , on néglige les χn tel que n > 3 comme pour le cas
du modèle de Vicsek présenté dans l’article [56].
Cela nous permet d’écrire le système suivant :
β
2 ρ
(sin( πq ) − sin( 3π
q
))
χ2 = χ1 (4.2.37)
2(cos( 2π q
) − 1)
91
De manière interessante, les formes pour q = 2, 3, et 4 sont distinctes mais
toutes les équations ont des dynamiques dont les coefficients dépendent de q,
contrairement aux solutions du champ moyen statique pour q > 5. il est donc
possible que la dynamique de ces modèles restent sensibles à q. Nous nous tour-
nons maintenant vers une étude numérique de ce système.
92
plusieurs mois sur des simulations dont la durée d’éxecutions était de l’ordre du
mois.
93
Figure 9 – Taille des fluctuations de densité divisé par la racine de la taille du
système en fonction de la taille du système. On voit que pour q = 4 ces fluctuations
sont normales et que pour q > 4 on a d’abord un régime de fluctuations géantes
puis un plateau dans lequel les fluctuations sont normales.
94
4.3.1 Le cas d’équilibre
Afin de comprendre le rôle de la discrétisation des directions des spins, le pro-
blème est légèrement modifié : on considère un modèle XY , dont les spins sont
influencés par un Hamiltonien qui favorise l’alignement suivant les directions des
"heures" de modèle d’horloges. On cherche donc à comprendre l’influence d’un
hamiltonien de la forme :
Z
Hq = d2 r cos(qθ(r)) (4.3.1)
à l’équilibre, dans la phase d’ordre de quasi longue portée. Dans ce cas, la distri-
bution de probabilité est donnée par :
βK
d2 r(∇θ(r))2
R
P [{θ(r)}] = Z −1 e− 2 (4.3.2)
obtient alors :
Z h1 Z i Z
2 0 0 0 00 00 q2
∆H = d r exp dr iqδ(r − r )G(r , r )iqδ(r − r ) = d2 r exp[− G(r, r)]
2 2
(4.3.7)
Afin de calculer G, il est préférable de se placer dans l’espace de fourrier où l’inverse
du Laplacien est simplement :
T
Ĝ(k) = (4.3.8)
Kk 2
95
Pour évaluer ∆H, nous réintroduisons le pas du réseau Λ et la taille du système
L afin de calculer G(r − r)
Z Z 1/Λ Z 1/Λ
d2 k T ik·(r−r) 2πdk T T 1 T log(L/Λ)
G(r − r) = e = = =
(2π)2 Kk 2 1/L
2
(2π) Kk 2 2πK 1/L k 2πK
(4.3.9)
En fin de compte, on trouve :
Z h q 2 T log(L/Λ) i q2 T
∆H = d2 r exp − ∼ L2 L− 4πK (4.3.10)
4πK
On remarque alors que ∆H joue un rôle de plus en plus important à mesure
q2 T
que le taille du sytème augmente seulement si 2 − 4πK > 0. Au premier ordre dans
cette théorie perturbative, le champs Hq est pertinent 1 lorsque :
8πK
T < T1 ≡ (4.3.11)
q2
Dans l’intégralité de ce calcul on suppose que la distribution de θ(r) est donné
par l’hamiltonien d’onde de spin (4.3.1). Ainsi T est nécéssairement plus petit
TBKT = cK, la température de transtion de phase du désordre vers la phase BKT .
la constante c dépend du modèle, pour le modèle XY c ' 0.89. Dans le diagramme
des phases on observe une phase dans lequel ce champs n’est plus pertinent dès
lors que
T1 < TKT (4.3.12)
Il s’ensuit que : r
8π
q> ' 5.28, (4.3.13)
c
Qui est une prédiction qu’on retrouve en utilisant une théorie de renormalisa-
tion [57].
96
distribuée, autour de sa moyenne θ0 , suivant une distribution gaussienne. Cette
hypothèse n’aura sur nos prédictions qu’un impact quantitatif. ∆H est alors calculé
en prenant en compte que logheiqθ(r) i est la fonction génératrice des cumulants de
θ(r) et ainsi :
q 2 σr
heiqθ(r) i = e− 2 (4.3.14)
où σr est la variance de θ(r). Remarquons que pour toute autre distribution qu’une
gaussienne, on verrait dans l’exposant une somme prenant en compte les cumulants
d’ordre supérieurs.
Il s’ensuit que :
h q2σ i
2 r
∆H = L exp − (4.3.15)
2
À la différence du cas d’équilibre, le champs Hq est toujours pertinent dans la
limite des grands L. On s’attend néanmoins à passer doucement (continuement)
q 2 σr
d’un régime dans lequel ce champ est négligeable, pour L Lq ≡ e 4 et où l’on
observe un comportement tel que celui du modèle de Vicsek, à un régime dans
lequel l’anisotropie est dominante. Cela est compatible avec la dépendandce des
fluctuations géantes de densité avec la taille du système mesuré figure 9 pour notre
modèle. On observe clairement une croissance de Lq avec q et une transition des
fluctuations géantes de densité aux petites échelles vers les fluctuations normales de
densité pour les grandes tailles de systèmes conformément à la discussion ci-dessus.
97
Chapitre 5
Conclusion
98
Au terme de ces trois années de recherches, j’écris la conclusion de cette thèse.
Je présente, à travers ce manuscript, trois sujets liés à la matière active, axés sur
l’étude des mouvements collectifs : la construction d’équations hydrodynamiques
exactes à partir de processus microscopiques, l’étude phénoménologique des mo-
dèles de mouvement collectif en une dimension et l’étude d’un modèle d’horloges
actives présentant une phase de mouvement collectif. Ce travail vise à permettre
une compréhension plus globale du phénomène de mouvement collectif en se ba-
sant sur des processus microscopiques et en étudiant l’influence de ces derniers au
niveau macroscopique.
Au chapitre 2, la dérivation d’équations hydrodynamiques exactes permet de
se détacher du modèle microscopique pour néanmoins retrouver quantitativement
les résultats des simulations microscopiques. Pour le modèle exhibant MIPS 1 le
diagramme des phases peut être calculé analytiquement à partir des équations
hydrodynamiques associées. Il serait intéressant, pour poursuivre sur cette voie,
de trouver des taux d’alignement permettant de calculer exactement le diagramme
des phases du modèle d’Ising actif, ou bien de réaliser cette étude pour d’autres
modèles tels des modèles avec alignement nématique, ou un modèle XY actif. Sur
le plan mathématique, on pourrait calculer les termes fluctuants qui correspondent
aux corrections de tailles finies des équations hydrodynamiques. Cela permettrait
de retrouver avec encore plus de précisions la phénoménologie observées dans les
simulations microscopiques. Par ailleurs, les termes de bruit sont responsables de la
sélection des nuées (séparation de phase ou en microphases [36]). Leur construction
rigoureuse est donc une piste de recherche intéressante, même si la communauté
de la matière active ne sait pas, pour l’instant, comment étudier analytiquement
ce processus de sélection.
Au chapitre 3, pour plusieurs modèles de mouvements collectifs, définis au
niveau microscopique par des particules propulsées sur un réseau munie d’une
dynamique d’alignement des vitesses, j’observe des phénomènes macroscopiques
similaires. Dans un premier temps, on observe que la phase complètement ordonnée
n’est pas stable et donne lieu à des nuées denses de particules ordonnées, puis, que
la dynamique des nuées, qui se retournent de manière intermitente, semble être
indépendante du modèle microscopique étudié. On pourrait, afin d’aller plus loin
et de confirmer cette hypothèse, mener l’étude pour des modèles avec d’autres taux
d’alignement, par exemple avec un alignement de Potts ou des spins d’Heisenberg.
En outre, on pourrait tester ces résultats expérimentalement sur des systèmes
présentant des mouvements collectifs sur des géométries fortement contraintes.
Par ailleurs, on observe une phase présentant des asters, situations bloquées où
des particules de directions antagonistes se font face. On voit que l’existence des
asters, au niveau macroscopique, dépend des détails microscopiques du modèle
1. Motility Induced Phase Separation
99
étudié. En outre, on se demande s’il existe une transition de phase entre les asters
et les nuées. Comment peut-on caractériser ce phénomène ?
Enfin au chapitre 4, je cherche à interpoler entre le modèle de Vicsek et d’Ising
Actif. Suite à une étude numérique du modèle d’horloges actives, on observe que
la phénoménologie change à mesure que le système grandit : elle passe d’une phé-
noménologie de type Vicsek, avec des fluctuations géantes de densité, à une phé-
noménologie de type Ising, avec des fluctuations normales. On intuite, grâce à des
arguments utilisés pour l’étude des modèles d’horloges à l’équilibre, que tant que
le nombre de directions que peuvent prendre les spins actifs du modèle est fini,
pour un système de taille suffisament grande, on observe la phénomènologie du
modèle d’Ising. On pourra, pour aller plus loin dans l’étude de ce modèle, écrire
les équations hydrodynamiques fluctuantes et observer numériquement leur phé-
noménologie, retrouver les résultat sus-cités de manière plus rigoureuse suivant
une procédure de renormalisation ou même mener une campagne de simulations
suffisament précises qui permettrait de caractériser la dépendance entre le nombre
directions et la taille du système à laquelle s’opère le cross-over entre les phénomé-
nologies. En outre, on se demande si c’est la dimension parallèle ou perpendiculaire
à l’ordre qui pilote la phénoménologie du système : si l’on augmente la taille Lx ou
Ly du sytème, peut-on passer d’un système où les bandes sont instables à un sys-
tèmes où les bandes sont stables ? S’il existe une longueur microscopique minimale
pour voir des bandes se briser, il est possible qu’il faille aller à des valeurs de q
relativement grandes pour pouvoir observer ce phénomène. Ces questions ouvertes,
issues de ma thèse, trouveront peut-être leur réponse dans les travaux futurs de
notre groupe, ou plus généralement de la communauté de la matière active.
100
Liste des figures
101
2 Simulation microscopique (en haut) et macroscopique (en bas) à
l’état stationnaire, pour Pe = 10 avec γ = 1, D = 1, λ = 10 et
ρs = 0.75. `p ' 1.9. . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 simulation microscopique en deux dimensions. Les points bleus re-
présentent les particules + et les points rouges les particules -. Pa-
ramètres : L = 100, α = 4, ρ0 = 0.65, D = 1, γ = 10 et λ = 40
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4 Images successives de simulation en une dimension. Les simulations
microscopiques (en rouge) et macroscopiques (en bleu) s’accordent
quantitativement. Paramètre de simulations : D = 1, λ = 5, γ = 0.1,
ρ0 = 0.75, α = 4. Simulation microscopique : la simulation
microscopique a été réalisée avec L = 1000. Le profil de densité
de la simulation microscopique est obtenue en faisant la moyenne
de 200 réalisations du système à partir de la même distribution de
densité initiale. ; Simulation macroscopique : la méthode semi-
spectrale a été réalisée avec n = 50 modes et le schéma d’Euler avec
un pas temporel dt = 10−4 . . . . . . . . . . . . . . . . . . . . . . . . 40
5 La construction de la tangente commune entre les deux phases. . . . 43
6 Diagramme de phase présentant, en bleu, les spinodales, en rouge,
les lignes binodales calculées à partir des équations (2.3.51,2.3.50).
Les points sont les densités hautes et basses mesurées sur les simu-
lations microscopiques. . . . . . . . . . . . . . . . . . . . . . . . . . 44
7 Schéma de la dynamique des particules dans le modèle transition
vers le mouvement collectif. . . . . . . . . . . . . . . . . . . . . . . 45
8 Images successives de simulation en une dimension. Les simulations
microscopiques (en rouge) et macroscopiques (en bleu) s’accordent
quantitativement. Le système part d’une condition initiale ordonnée
ρ(x, t) = ρ0 [1 + cos(2πx)] Simulation microscopique : La simu-
lation microscopique a été réalisée avec L = 1000 et α = 1. Le profil
de densité de la simulation microscopique est obtenue en faisant la
moyenne de 300 réalisations du système à partir de la même distribu-
tion de densité initiale. Simulation macroscopique : la méthode
semi-spectrale a été réalisée avec n = 50 modes et le schéma d’Euler
avec un pas temporel dt = 10−4 . Les paramètres de la simulations
sont : D = 0.5, λ = 4, β = 0.8 . . . . . . . . . . . . . . . . . . . . . 49
9 En haut : résolution des équations hydrodynamiques (2.4.7, 2.4.8)
avec α = 600. En bas simulation microscopique dans l’état sta-
tionnaire avec α = 200. Les simulations sont faites pour ρs = 0.75,
β = 1.16, λ = 1 et D = 0.5. On constate que malgré les tailles
différentes des réseaux les valeurs des binodales sont inchangées. . . 50
102
10 Diagramme des phases de la transition vers le mouvement collectif.
On voit en bleu les lignes spinodales à l’intérieur desquelles les solu-
tions homogènes sont linéairement instables. En rouge on montre les
densités de coexistence de phase calculées en résolvant numérique-
ment les équations (2.4.7, 2.4.8) et en vert celles mesurées grâce aux
simulations microscopiques. HD et HO montrent les zones dans les-
quelles les les solutions homogènes désordonnées et ordonnées sont
stables. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
103
10 En haut : abeille butinant une fleur de la famille des Astéracées
(Aster en langage vernaculaire) qui doivent leur nom à la disposi-
tion en étoile de leurs pétales. Au milieu : le centrosome et les
microtubules sont des structures protéïniques qui, au cours de la
mitose, forment un système nommé aster. En bas : défaut étoilé
dans gel actif [52]. . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
11 Exemple de la dynamique interne à un aster : quand une particule
saute sur le site voisin, elle change de direction et finalement on
revient à la situation initiale. . . . . . . . . . . . . . . . . . . . . . . 67
12 Configurations dans lesquelles les particules peuvent avancer : il n’y
a plus d’aster. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
13 À température nulle, les asters ont la même dynamique qu’une par-
ticule qui effectuerait une marche aléatoire dans un potentiel qua-
dratique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
14 Chaque point représente la moyenne sur 10000 occurrences du temps
de résorbtion de l’aster. le coefficient k = 1/2 peut être retrouvé de
manière exacte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
15 Le schéma représente ici un cas de fuite (ou non) d’un aster pour
une particule +. Les mêmes scénarii peuvent se produire pour une
particule −. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
16 Mesure de l’évolution du nombre moyen de particules par aster au
cours du temps pour une simulation commençant avec 10 asters de
taille ρ = 18. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
17 Mesure du taux de sortie d’un Aster en fonction de la taille de celui-
ci et dont la règle d’alignement est régie par l’équation (3.3.17). On
voit que ce taux est croissant en fonction du nombre de particules
piégées. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
18 Mesure de l’evolution de la taille et du nombre d’aster dans une
simulation partant d’un aster de taille 1000 avec évoluant avec des
taux de retournement bornée (équation (3.3.17)) . . . . . . . . . . . 75
104
3 Schéma pour q = 8 des sauts possibles d’une particule et les taux
associés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4 Schéma pour q = 8 des deux flips possibles d’une particule d’un
spin orienté initialement selon θ = π4 . . . . . . . . . . . . . . . . . . 82
5 Histogramme représentant l’aimantation au cours de la simulation
pour q = 7 et q = 4 à une température proche de T = 0.48. On voit
que pour q = 7, la magétisation tourne au cours du temps tandis
que pour q = 4 elle fluctue autour d’une position donnée. . . . . . . 85
6 Comportement de l’aimantation pour les modèles allant de q = 5 à
q = 8 proches du point critique. . . . . . . . . . . . . . . . . . . . . 86
7 Diagramme de phase pour q = 4. . . . . . . . . . . . . . . . . . . . 92
8 Instantanées de simulations du système pour q = 7, T = 0.28,
D = 1, = 0.9 à différente densité. pour ρ = 0.5 on a un système
homogène d’aimantation nulle, pour ρ = 5, on voit une nuée orienté
de grande densité, pour ρ = 12.5 on un système homogène ordonné. 93
9 Taille des fluctuations de densité divisé par la racine de la taille
du système en fonction de la taille du système. On voit que pour
q = 4 ces fluctuations sont normales et que pour q > 4 on a d’abord
un régime de fluctuations géantes puis un plateau dans lequel les
fluctuations sont normales. . . . . . . . . . . . . . . . . . . . . . . 94
105
Bibliographie
106
[12] Jacques Prost, Frank Jülicher et Jean-François Joanny : Active gel phy-
sics. Nature Physics, 11(2):111, 2015.
[13] Karsten Kruse, Jean-Francois Joanny, Frank Jülicher, Jacques Prost
et Ken Sekimoto : Generic theory of active polar gels : a paradigm for
cytoskeletal dynamics. The European Physical Journal E, 16(1):5–16, 2005.
[14] Yashodhan Hatwalne, Sriram Ramaswamy, Madan Rao et R Aditi
Simha : Rheology of active-particle suspensions. Physical review letters,
92(11):118101, 2004.
[15] Andrey Sokolov et Igor S Aranson : Reduction of viscosity in suspension
of swimming bacteria. Physical Review Letters, 103(14):148101, 2009.
[16] Salima Rafaï, Levan Jibuti et Philippe Peyla : Effective viscosity of mi-
croswimmer suspensions. Physical Review Letters, 104(9):098102, 2010.
[17] Jörn Dunkel, Sebastian Heidenreich, Knut Drescher, Henricus H Wen-
sink, Markus Bär et Raymond E Goldstein : Fluid dynamics of bacterial
turbulence. Physical review letters, 110(22):228102, 2013.
[18] Brian M Haines, Igor S Aranson, Leonid Berlyand et Dmitry A Kar-
peev : Effective viscosity of dilute bacterial suspensions : a two-dimensional
model. Physical biology, 5(4):046003, 2008.
[19] Jacques Prost : The physics of liquid crystals, volume 83. Oxford university
press, 1995.
[20] Géza Tóth, Colin Denniston et Julia M Yeomans : Hydrodynamics of
topological defects in nematic liquid crystals. Physical review letters, 88(10):
105504, 2002.
[21] Takeaki Araki et Hajime Tanaka : Colloidal aggregation in a nematic
liquid crystal : topological arrest of particles by a single-stroke disclination
line. Physical review letters, 97(12):127801, 2006.
[22] Vijay Narayan, Sriram Ramaswamy et Narayanan Menon : Long-lived
giant number fluctuations in a swarming granular nematic. Science, 317(5834):
105–108, 2007.
[23] Sriram Ramaswamy, R Aditi Simha et John Toner : Active nematics on a
substrate : Giant number fluctuations and long-time tails. EPL (Europhysics
Letters), 62(2):196, 2003.
[24] Michael E Cates et Julien Tailleur : Motility-induced phase separation.
Annu. Rev. Condens. Matter Phys., 6(1):219–244, 2015.
[25] Jeremie Palacci, Stefano Sacanna, Asher Preska Steinberg, David J
Pine et Paul M Chaikin : Living crystals of light-activated colloidal sur-
fers. Science, page 1230020, 2013.
107
[26] Guannan Liu, Adam Patch, Fatmagul Bahar, David Yllanes, Roy D
Welch, M Cristina Marchetti, Shashi Thutupalli et Joshua W Shae-
vitz : A motility-induced phase transition drives myxococcus xanthus aggre-
gation. arXiv preprint arXiv :1709.06012, 2017.
[27] Tamás Vicsek, András Czirók, Eshel Ben-Jacob, Inon Cohen et Ofer
Shochet : Novel type of phase transition in a system of self-driven particles.
Physical review letters, 75(6):1226, 1995.
[28] John Toner et Yuhai Tu : Long-range order in a two-dimensional dynamical
xy model : how birds fly together. Physical review letters, 75(23):4326, 1995.
[29] Hugues Chaté, Francesco Ginelli, Guillaume Grégoire et Franck Ray-
naud : Collective motion of self-propelled particles interacting without cohe-
sion. Physical Review E, 77(4):046113, 2008.
[30] Guillaume Grégoire et Hugues Chaté : Onset of collective and cohesive
motion. Physical review letters, 92(2):025702, 2004.
[31] Hugues Chaté, Francesco Ginelli, Guillaume Grégoire, Fernando Per-
uani et Franck Raynaud : Modeling collective motion : variations on the
vicsek model. The European Physical Journal B, 64(3-4):451–456, 2008.
[32] Eric Bertin, Michel Droz et Guillaume Grégoire : Boltzmann and
hydrodynamic description for self-propelled particles. Physical Review E,
74(2):022101, 2006.
[33] Eric Bertin, Michel Droz et Guillaume Grégoire : Hydrodynamic equa-
tions for self-propelled particles : microscopic derivation and stability analysis.
Journal of Physics A : Mathematical and Theoretical, 42(44):445001, 2/09.
[34] Aparna Baskaran et M Cristina Marchetti : Statistical mechanics and
hydrodynamics of bacterial suspensions. Proceedings of the National Academy
of Sciences, 106(37):15567–15572, 2009.
[35] AP Solon et Julien Tailleur : Revisiting the flocking transition using
active spins. Physical review letters, 111(7):078101, 2013.
[36] Alexandre P Solon, Hugues Chaté et Julien Tailleur : From phase to
microphase separation in flocking models : The essential role of nonequilibrium
fluctuations. Physical review letters, 114(6):068101, 2015.
[37] OJ O’Loan et MR Evans : Alternating steady state in one-dimensional
flocking. Journal of Physics A : Mathematical and General, 32(8):L99, 1999.
[38] Pierre C Hohenberg et Bertrand I Halperin : Theory of dynamic critical
phenomena. Reviews of Modern Physics, 49(3):435, 1977.
[39] Erignoux Clément : Hydrodynamic limit for an active exclusion process.
arXiv preprint arXiv :1608.04937, 2016.
108
[40] Claude Kipnis et Claudio Landim : Scaling limits of interacting particle
systems, volume 320. Springer Science & Business Media, 2013.
[41] Werner Krauth : Statistical mechanics : algorithms and computations, vo-
lume 13. OUP Oxford, 2006.
[42] William H Press, Saul A Teukolsky, William T Vetterling et Brian P
Flannery : Numerical recipes 3rd edition : The art of scientific computing.
Cambridge university press, 2007.
[43] Craig W Reynolds : Flocks, herds and schools : A distributed behavioral
model. In ACM SIGGRAPH computer graphics, volume 21, pages 25–34.
ACM, 1987.
[44] L. Van Hove : Sur l’intégrale de configuration pour les systèmes de particules
à une dimension. Physica, XVI(2):137, 1950.
[45] A Proeme, R A Blythe et M R Evans : Dynamical transition in the
open-boundary totally asymmetric exclusion process. Journal of Physics A :
Mathematical and Theoretical, 44(3):035003, 2011.
[46] JR Raymond et MR Evans : Flocking regimes in a simple lattice model.
Physical Review E, 73(3):036112, 2006.
[47] Li Jiang, Luca Giuggioli, Andrea Perna, Ramón Escobedo, Valentin
Lecheval, Clément Sire, Zhangang Han et Guy Theraulaz : Identifying
influential neighbors in animal flocking. PLoS computational biology, 13(11):
e1005822, 2017.
[48] Daniel S Calovi, Ugo Lopez, Sandrine Ngo, Clément Sire, Hugues Chaté
et Guy Theraulaz : Swarming, schooling, milling : phase diagram of a data-
driven fish school model. New journal of Physics, 16(1):015026, 2014.
[49] Valentin Lecheval, Li Jiang, Pierre Tichit, Clément Sire, Charlotte K
Hemelrijk et Guy Theraulaz : Social conformity and propagation of
information in collective u-turns of fish schools. Proc. R. Soc. B, 285(1877):
20180251, 2018.
[50] Daniel S Calovi, Ugo Lopez, Paul Schuhmacher, Hugues Chaté, Clé-
ment Sire et Guy Theraulaz : Collective response to perturbations in
a data-driven fish school model. Journal of The Royal Society Interface,
12(104):20141362, 2015.
[51] Jerome Buhl, David JT Sumpter, Iain D Couzin, Joe J Hale, Emma
Despland, Edgar R Miller et Steve J Simpson : From disorder to order
in marching locusts. Science, 312(5778):1402–1406, 2006.
[52] F Backouche, L Haviv, D Groswasser et A Bernheim-Groswasser :
Active gels : dynamics of patterning and self-organization. Physical biology,
3(4):264, 2006.
109
[53] Cintia M Lapilli, Peter Pfeifer et Carlos Wexler : Universality away
from critical points in two-dimensional phase transitions. Physical review
letters, 96(14):140603, 2006.
[54] Seung Ki Baek, Petter Minnhagen et Beom Jun Kim : True and quasi-
long-range order in the generalized q-state clock model. Physical Review E,
80(6):060101, 2009.
[55] Alexandre P Solon et Julien Tailleur : Flocking with discrete symmetry :
The two-dimensional active ising model. Physical Review E, 92(4):042119,
2015.
[56] Anton Peshkov, Igor S Aranson, Eric Bertin, Hugues Chaté et Francesco
Ginelli : Nonlinear field equations for aligning self-propelled rods. Physical
review letters, 109(26):268701, 2012.
[57] Jorge V José, Leo P Kadanoff, Scott Kirkpatrick et David R Nelson :
Renormalization, vortices, and symmetry-breaking perturbations in the two-
dimensional planar model. Physical Review B, 16(3):1217, 1977.
110