Nicolas BARROS soutiendra sa thèse de doctorat en physique, réalisée sous la direction de Ludovic BELLON, le 21 juillet 2025 à 13h30.
Résumé de la thèse
Cette thèse vise à comprendre et à optimiser les processus physiques dans des systèmes de petite taille dotés de peu de degrés de liberté, où les fluctuations thermiques jouent un rôle prépondérant. La thermodynamique stochastique offre le cadre théorique adéquat pour décrire ces comportements aléatoires. Nous présentons un dispositif expérimental polyvalent et robuste, conçu pour explorer les lois de la thermodynamique à l’échelle nanométrique, en s’appuyant sur les fluctuations d’un oscillateur mécanique évoluant dans un potentiel virtuel modulable. La précision et la fiabilité du système sont démontrées tout au long de notre étude par un excellent accord avec les simulations et les prédictions théoriques. Nous abordons plusieurs questions fondamentales de la thermodynamique stochastique, liées aux échanges d’énergie et au traitement de l’information. À l'aide de statistiques conséquentes et de protocoles hors-équilibre performants, nous montrons comment le Second Principe de la thermodynamique peut être opportunément transgressé dans 95% de nos expériences, tout en restant valable en moyenne. Nous appliquons ensuite des outils issus de la théorie de l’optimisation et du machine learning pour réaliser efficacement des opérations logiques irréversibles en temps fini, mettant en lumière les avantages de cette approche dans un cadre plus large. Enfin, nous explorons les limites expérimentales de notre système afin d’élargir son champ d’application. En ajustant indépendamment la température et le confinement du levier, nous ouvrons la voie à une étude approfondie de machines thermiques à une particule. Dans l’ensemble, ce travail démontre que, bien que les principes de la thermodynamique classique demeurent valides à petite échelle, les systèmes soumis aux fluctuations thermiques révèlent des comportements riches ainsi qu’un fort potentiel d’optimisation énergétique.
Fluctuations at work: energetic optimizations in experimental stochastic thermodynamics
This thesis aims to understand and optimize physical processes in small systems with few degrees of freedom, where thermal fluctuations play a central role. Stochastic thermodynamics provides a suitable framework to describe such random behaviors. We present a versatile and robust experimental setup designed to investigate the laws of thermodynamics at the nanoscale, using the fluctuations of a mechanical oscillator subjected to a tunable feedback potential. The system's precision and reliability are demonstrated throughout our study by an excellent agreement with both simulations and theoretical predictions. We tackle several fundamental questions in stochastic thermodynamics related to energy exchanges and information processing. Thanks to great statistics and efficient out-of-equilibrium protocols, we show how the second law of thermodynamics can be locally surpassed in 95% of our experiments, while still holding on average. We then apply tools from optimization theory and machine learning to perform irreversible logical operations efficiently in finite time, highlighting the benefits of this approach for broader objectives. Finally, we probe the experimental limits of our system to expand the range of operations. By independently tuning the temperature and confinement of the cantilever, we pave the way for a comprehensive study of a one-particle heat engine. Overall, this work demonstrates that while classical thermodynamic principles remain valid at small scales, fluctuating systems reveal rich behaviors and significant opportunities for energetic optimization.
Gratuit
Disciplines