Cédric Villani - 3/7 La théorie synthétique de la courbure de Ricci
Transcription youtube_captions. À recouper avec la source d'origine.
Analyse automatique
Générée par IA — peut contenir des erreurs. Méthodologie
Répartition du ton (temps de parole politique)
Propositif 18 %
Modèle mistral-nemo:12b · prompt v1 · les citations sont vérifiées mot pour mot dans le transcript ; le taux de réponse directe est calculé à partir des verdicts question par question. Aucun label idéologique n'est produit.
[Musique] je vous rappelle juste où on en était on avait parlé du problème de Monge avec un infimum intégral de CX TX mu DX mu0 DX sous la contrainte mesure image de mu0 par T est ég à mu1 on avait parlé du problème de kantorovic avec infimum intégral double C XY pi de DX dy sous la contrainte que quand on regarde les projections de pi c'est mu0 et mu1 bon et puis on avait donné des interprétations on avait parlé de la dualité on avait parlé de fonction C convexe et on avait bien expliqué que les deux problèmes se résolv en même temps et que trouver un transport optimal c'était pareil que résoudre le problème dual et que en regardant si un plan de transport est supporté dans le sous-différentiel d'une fonction C convexe on a un critère d'optimalité par rapport à tout ce qu'on a dit la dernière fois il y a juste une chose qu'il faut que j'ajoute c'est c'est un cas particulier important on avait vu un cas particulier important qui était le coup égal distance au carré un autre cas particulier important c'est le cas où le cou est égal à une distance est égal à la distance B alors si on reprend les définitions alors dire que F dire que f est c convexe c'est pareil que dire que F un lipit un lipitienne et on s'aperçoit en nous de que la transformée de Phi ben c'est autre que pH et la dualité prend alors une forme plus simple un minimum de l'intégrale double D d de XY pi de DX dy ou pi a pour marginal mu0 et mu1 est égal au supremum pour Phi en norme lipsits inférieur ou égal à 1 de intégrale de Phi d mu0 moin intégral Phi D mu1 voilà bon et dernier commentaire là-dessus à bien comprendre le sousdifférentiel décepsie donc c'est l'ensemble on souvient l'ensemble X Y tel que alors c'est PS de X + C XY est égal à pH y ou est égal ici às de y làdedans on lit toute l'information donne l'information le transport ce sont les couples alors pour PSI optimal dans le problème dual le transport optimal et de la forme àx on associe y on lit dans différentiel de la fonction optimale la façon dont la masse est transportée l'ensemble de tous les couples X Y avec le la l'égalité ici dans le cas particulier de la fonction distance le coup est égal à la distance ben il y a une fonction un lipsit F et si on veut le transport s'effectue le long de géodésique qui connecte des ensembles de niveaux de Phi prenez votre fonction pH la fonction optimale dans le problème dual c'est une fonction un Lipset et puis ici vous avez donc les les endroits dans lesquels le transport peut effectuer peut s'effectuer c'est des endroits tels que ici vous avez X Y et vous aurez exactement fi y é= pH x + distance de XY autrement dit là vous aurez l'égalité dans l'inégalité qui vous dit que c'est un lipsit et c'est seulement le long de ces lignes que le transport pourra s'effectuer alors comme la fonction f est un lipit évidemment si cette inégalité est vérifié ici entre X et Y alors nécessairement aussi à n'importe quel point intermédiaire vous aurez ici que fi de Z sera égal à F de X plus la distance de X à Z F y é= F Z + distance de Z à y autrement dit le transport s'effectue le long de ces géodésiques la la masse qui est sur cette géodésique elle y reste et si vous voulez c'est comme si vous avez une vous partitionnez l'espace en gros en un ensemble de géodésiqu le long desquels la fonction Phi a une croissance linéaire dans le paramètre de la vitesse et le transport s'effectue à chaque fois de manière restreinte à ces géodésiques et ça c'est très particulier au cas où le coût est égal à la distance c'est lié aussi au fait que quand le coût est égal à la distance des trajectoires minimisantes dans le transport optimal ne peuvent jamais se ne peuvent jamais se croiser pour c'est fibration une fibration alors il y a pas aucune régularité d'habitude quand on dit fibration on impose quel un peu de régularité quelque chose là c'est vraiment juste une a priori une décomposition mesurable quoi mémalement c'est ça donc dans ce cas l'espace X et partitionn je mets des guillemets je vais dire pourquoi à l'instant en géodésique le long desquels le transport s'effectue et où Phi croit linéairement en le paramètre d'interpolation le paramètrre d'interpolation géodésique bon et ça c'est lié à la propriété déjà remarqué par Mong pas de croisement des lignes de [Applaudissements] transport si le coût est égal à la distance bon et euh je je fais la remarque explicitement parce que ça jouera un rôle crucial plus tard dans le cours quand il s'agira de reparler de léi gromo qu'est-ce qu'on va dire enfin c'est pas mal et on va oui pourquoi j'ai mis des guillets aussi à partitionner parce que il peut y avoir des il peut y avoir j'ai mis des guemets parce qu'il peut y avoir des problèmes au point initiau et point finaux pas vraiment une partition car il peut y avoir [Musique] car il peut y avoir intersection aux extrémités très bien avoir un truc comme ça la masse par un coup ici un coup là mais sur un ensemble qui sera de mesure nul et des choses comme ça en général ça peut en général ça peut mett sur ensemble de forcément de mesure nul ça dépend du ça dépend des hypothèses sur la mesure mu0 on p avoir des choses comme ça ou P avoir des choses comme ça c'est seulement au point de départ ou au point d'arrivée que quelque chose comme ça peut se produire quand on en aura besoin on donnera un énoncé très précis et ici ça sera pas le c'est pas le lieu de le faire on en reparlera point suivant on va se demander ce qui se passe dans un cadre régulier TR si je dis pas de bêtises supposons que l'espace X est une alors on va se mettre dans le cas où c'est une variété rimanienne lisse donc cadre géométrique lisse classique et puis on se donne C XY régulier pour l'instant un sens qui est pas défini peuton préciser la structure du transport avoir des formules alors àavertissement les coouts intéressants ne sont presque jamais lisses n'importe quelle variété rimanienne vous avez envie de prendre le coup qui soit une fonction de la distance et la distance P faire ce que vous voulez c'est extrêmement rarement une fonction LCEE même la distance au carré par exemple même sur même sur quelque chose d'ussi simple que le que le Tor r sur Z la distance au carré si je prends C ég distance au carré ben ça ça que je le trace j'ai quelque chose comme ça avec ici une avec ici quelque chose qui si je regarde de près fait ça autrement dit une singularité qui pointe vers le haut singularité pointant vers le haut autrement dit une fonction semioncave c'estàdire la somme d'une fonction L fonction concave bon euh c'est pas étonnant que ça soit quelque chose de semicave parce que la distance c'est définie par un nymphhe et quand on définit les trucs par des sups ça a tendance à être genre convexe quand on est défini par des infes ça a tendance à être genre concave et ça c'est pour dire que ça aurait pas de sens de supposer que le coup est lisse ça nous interdirait tous les exemples intéressants en revanche ça a un sens de supposer que le coup est semioncave parce que le coup que ce soit la distance ou autre chose on le définit traditionnellement par des infs la distance c'est quand même souvent conve quand même non pas sur prend un truc compact c'est jamais ouais ou ouais quand es sur un trucs infini ça ça ça marche ça ça peut marcher courbure les les les typiquement tu vas prendre une courbure courbure sectionnelle négative un truc infini variété de Cartan adamar comme on dit là tu as une distance qui est qui est lisse mais dès que tu es compact tu perds tu perds ça alors en revanche donc semioncave c'est raisonnable euh une hypothèse plus faible serait lipsits et dans tous les cas la distance c'est quelque chose qui est Liss presque partout et les endroits où la distance cesse d'être lisse c'est ça correspond au point au lieu de coupure le cut locus comme on dit alors donc fonction semiconcave euh et puis une remarque donc euh si x est fixé l'ensemble des y différents de X tel que distance de X à y est non lisse en y voisinage de y coïncide avec le lieu de coupure de X le code locus et c'est un ensemble de dimensions inférieure ou égale à N- 1 si je suis en dimension n mettons quelque part ici dimension n qu'on peut d'ailleurs voir comme un énoncé sur l'ensemble des points de l'ensemble des points de non différenciabilité du l'ensemble des points de non différenciabilité de la d'une fonction semiconcave et ici je suis en train de faire une petite une petite faute de raisonnement dans ce que je dis parce que ça ça s'appliquitx ensem semble de non différenciabilité qui est le cotlocus essentiel comme on dit pas le pas le cotlocus complet on s'en fiche pour l'instant on aura pas besoin alors en gardant ça en tête voici un énoncé général solution du problème de Monge alors si petit 1 C XY est partout surdifférentiable sur différentiable ben partout je peux trouver un hyperplan qui touche le gra par au-dessus localement et surgradient en chaque point quel que soit donc partout sur différentiable alors ici c'est pour tout y fixé et comme fonction de x hein vous fixez y et vous demandez que euh vu comme fonction de x soit toujours surdifférentiable et donc surdifférentiable ça va être pour tout X il existe P un surgradient c'est-à-dire euh on va la noter px euh tel que euh F de euh x + H inférieur ou égal à FX + H produit scalaire px plus petit tau de h quand h tend vers 0 et ça c'est la définition d'une fonction surdifférentiable définition de surdifférenciabilité et là j'ai mis x + H sans m'embarrasser parce que c'est juste local vous pouvez lire ça dans n'importe quelle carte c'est indépendant du choix de la carte donc première condition C XY est partout surdifférentiable et ça ça couvre les distances au carré les choses comme ça deè condition la plus cruciale si c vérifie C XY vérifie alors je sais pas quel est le mot français pour ça et et toute façon l'habitude d'utiliser le mot anglais la condition de twist peutêtre dire torsion quelque chose comme ça en tout cas condition twist c'est le c'est le vocabulaire que les gens connaissent bien en particulier pour des coups qui viennent en théorie des systèmes dynamiques et la définition c'est que gradient XC de XY est injectif en dans la variable Y dès que c'est défini très explicitement si vous avez X et Y et y prime tel que gradient XC de XY é= gradient XC de XY prime ces deux vecteurs étant bien définis alors y doit être égal à y prim deè condition donc 3è condition c'est a un peu de régularité et il y a plusieurs énoncés poss possible selon ce que vous imposez comme régularité mais des hypothèses typiques ça sera localement lipit localement [Applaudissements] concave la 4è condition c'est mu0 n'est pas trop concentré par exemple on va dire absolument continu et quelque part il vous faudra il y a une correspondance entre ces deux hypothèses par exemple si vous mettez localement lipsit l'hypothèse d'absolue continuité c'est celle qui ira bien si vous mettez localement SM smiconka vous pourrez vous autoriser une hypothèse plus générale que absolument continue ira bien avec éalement lipsits et puis il y a une 5è condition que je donnerai pas explicitement qui sert à contrôler ce qui à l'infini donc plus une hypothèse compliqué à l'infini dans mon livre c'est ce que j'avais appel h infini et l'hypothèse pour les besoins de secours il suffira de savoir qu'elle est toujours satisfaite quand le cooup est égal à D car mais que c'est vrai c'est du sport pour le démontrer bon quand toutes ces conditions sont remplies alors le problème de Monge pour aller de mu0 à mu1 avec le coup c admet une solution unique alors quand on dit unique c'est quitte à le modifié sur un ensemble de mesures mu0 nul la modification près sur un ensemble mu0 négligeable et euh elle est caractérisée cette solution par l'équation gradient X de X t x plus gradient PS de x 0 oupsi et solution du problème de kantorovic dual et donc c'est c'est convexe j'ai écrit ça comme ça mais il faut le comprendre aussi que dès qu'on trouve et dès qu'on trouve si c'est convexe euh non c'est pas vrai ce que je dis là j'ai rien dit voilà donc euh euh gradient XC de X t x + gradient PSI de x = 0 ou si on veut t Dex = euh gr XC - 1 de X gr PSI de X ou le -1 ça veut dire inverse inverse dans le second argument bon et donc c'est pas mal euh vous allez me dire PSI n'est pas explicite mais quand même ça réduit considérablement la complexité du problème a priori t c'était une fonction de n dimension dans n dimension tandis que PSI c'est une fonction de une dimension dans R on a ramené le problème à déterminer une fonction scalaire et cette fonction scalaire on sait que il faut la chercher comme solution d'un problème qui est bien défini et on sait qu'elle vérifie certaines propriétés géométriqu très particulières alors ce théorème ce résultat là c'est un on peut le voir comme un méta résultat qui contient quasiment tous les théorèmes de résol des problème de Monge qui ont été démontré par divers auteurs selon les cas c'est-à-dire le coup va changer les hypothèses sur la régularité sur mu0 vont changer il y aura des variantes mais la structure est toujours la même alors quand on regarde maintenant vous allez me dire bon il y a l'hypothèse à l'infini que j'ai pas détaillé mais elle sera toujours quand c'est ég D car sera toujours satisfaite quand c'est compact je vais mettre explicitement ou x compact euh l'hypothèse sur mu0 c'est un truc qu'on vérifie comme ça l'hypothèse sur C on le vérifie le petit 3 le petit 1 mais l'hypothèse sur le petit 2 vous allez me dire et comment on fait pour vérifier ça en pratique parce que ça semble être un truc est-ce qu'il va falloir montrer à la main l'injectivité bon la force de l'hypothèse petit 2 c'est qu'elle est vrai très souvent dans les cas intéressants dès que c est défini par un problème variationnel et le le le méta énoncé si on veut c'est pas le méta le vrai énoncé petit 2 est vrai dès que c XY est défini par la solution d'un problème lagrangien F de l'intégrale de 0 à 1 de l de gamma de T gamma point de T t dt 1 sur tous les chemins gamma qui sont continu continu C1 par morceau appartenant à c de 01 à X C1 par morceau et tel que gamma 0 = x gamma 1 = y si on impose des condition simple sur l alors par exemple de classe C2 uniformément convexe en la variable gamma point et tel que les courbes minimisante de l de ce lagrangien du lagrangien L on va dire vérifie sont sont déterminés par gamma 0 et gamma0 point le cas le plus célèbre évidemment et le plus important c'est celui où l de gamma gamma point est juste égal à GAM Point Carré et à ce moment on est en train de regarder l'action classique et les courbes minimisantes sont les géodésiqu à vitesse constante autrement dit gamma t ég exponentiel partant de gamma0 T gam0 je suis juste en en train de dire qu'on part d'un point donné avec une vitesse qui est donnée dans ce cas alors pour que soit plus joli je vais diviser par de si vous voulez ce qui changera pas les courbes mais ce qui rendra la formule plus jolie dans le grade x inverse on a gr XC -1 de XV est égal à exp X- V et c'est un ça s'interprète avec la formule de la première variation en géométrie rimanienne qui vous permet de calculer des variations de la distance variation de la distance comme des produits scalaires entre le vecteur initial de la géodésique minimisante et le petit vecteur de la variation donc ça c'est un exemple mais plus généralement dès que votre cou il est défini par un infimum avec un lagrangien que ce lagrangien il a de la convexité et que les courbes minimisante vérifie une une équation une équation qui détermine le point final en fonction des conditions de part alors vous avez cette propriété de twist quel serait un contreexemple alors le le contre-exemple si je prends l de gamma gamma point t égal juste gamma point là ça marche plus d'abord bon il y a les questions d'uniforme convexité qui sont plus là mais euh quand vous regardez gamma point c'est les géodésiques dont la vitesse peut-être reparamétrisée là il est évident que la position et la vitesse de départ vous disent pas où vous allez arriver parce que vous pouvez toujours ralentir ou accélérer comme bon vous semble et ça reste une courbe minimisante l'avantage de gamma Point Carré l'un desésavantages c'est que ça vous fixe la vitesse et donc vous savez exactement quel est le point d'arrivée à partir de la façon dont vous partez quelles sont les idées de la preuve pour démontrer que cette condition là implique de c'est une c'est de la c'est de la tout je dire toute bête formule de la formule de la première variation où on va comment on fait on trouve à la main le le le surgradient je vais vérifier avant de te dire des bêtises c'est dans ce très bon ouvrage là au chapitre 7 non au chapitre 10 super twist [Musique] voilà voilà petit de ouais formule de la première variation ouais on montre en fait on montre explicitement on a disons euh d'une part du fait par le fait que c'est défini comme un inff disons le 2 en fait va impliquer aussi le le le 1 sous des bonnes hypothèses disons avec les hypothèses que j'ai mises là non seulement de vrai mais un sera vrai automatiquement et ça se comprend avec ma remarque de tout à l'heure que un nymfhe c'est facile de montrer qu'un qu'un qu'un nymf est sur difffférentiable un peu comme c'est facile montrer qu'un sup sup est sous difffférentiable et il suffit alors pour montrer la pour calculer le gradient il suffit de trouver un sous gradient et le sous-gradient on le montre on le trouve à la main en écrivant ce que c'est la première variation c'est-à-dire je prends un chemin qui va de X à y puis je fais une petite variation du chemin dans une direction interpolant si on veut et je calcule la façon dont l'action a varié et on trouve je vais vous donner la la formule explicite du gradient ouais en fait la la condition elle la condition elle va dire gr x XY plus gr VL X0 0 0 ça c'est l'équation qui vous permet de calculer le gradient du coup en fonction du gradient du lagrangien ici V ça veut dire je veux dire par rapport au deuxè argument et voilà ou gamma et la courbe minimisante qui joint X à y courbe minimisante qui est unique en un point de différenciabilité de C s'il y avait deux courbes minimisantes différentes on aurait des on aurait des on aurait deux euh surgradients différents alors ça c'est bien euh une petite idée de la de pourquoi ça marche et euh point de vue formel la preuve est très facile ça demande du soin si on veut le justifier proprement mais l'idée elle s'explique en trois lignes esquiss de preuve bah on va commencer par regarder regardons X et Y tels que t x= y le transport on souvient du chapitre précédent sur la dualité si transx = y et que je prends PS solution du problème dual et ben j'aurais P C Y P X é= c XY ça c'est dire qu'on est dans le sousdifférentiel XY appartient à et maintenant je prends un autre y qui pas le bon et j'applique la relation maintenant y dis ça sera inférieur ou é à pour y quelconque bon et maintenant tout bêtement alors pardon c'est contraire c'est pas y qu' faut faire bouger c'est x ici c'est x bien sûr bon maintenant je soustrait la première de la secondde disons et je vais trouver que PS x P X est inférieur ou égal à C X Y C de XY alors P il est c'est convexe bon et donc c'est défini par un supremum de translaté de C et ça va hériter certaines propriétés de différenciabilité de C en gros si je regarde les lieux de des points où PS seront singulier ça va être dicté par les lieux des points où c est singulier et par exemple juste pour prendre un exemple simple si si lipsitz PSI sera lipsitz automatiquement et donc différenciable presque partout donc le lieu des points de non différentiabilité sera de mesure nulle euh si est presque partout différentiable sous de bonnes hypothèses et le presque partout différentiable ça va impliquer en particulier est mu0 presque partout différentiable pareil sous de bonnes hypothèses c'est pour ça que j'avais demandé que mu0 soit pas trop concentré l'important c'est que mu0 soit suffisamment étalé pour ne jamais voir les singularités des fonctions C convexes de sorte que vu de mu0 PS sera différentiable alors on écrit on prend un X où c'est différenciable et on prend x tout près de [Musique] X bon et alors psy de xtild est à peu près égal à PSI x + gradient PSI de X scalaire x - x bon mais d'autre part C il est surdifférentiable donc c de X Y est inférieur égal ici inférieur ou égal je veux dire que à une petite erreur prè c'est inférieur ou égale à euh C XY euh plus un plus un vecteur P euh qui sera un surgradient euh scalaire x - x bon et euh ah oui alors cette identité ici quand je reporte làdedans celle-ci vous montre que c X Y C XY est supérieur ou égal à une petite erreur prê à gr x scalaire X X et peut-être que j'ai un problème de signe ouis c'est ça bon et ben ça ça veut dire quoi alors je vais soustraire ici ça c'est par hypothèse et ça c'est comme conséquence de ceci donc ça c'est un sousgradient de cette fonction là de C XY bon et ça c'est un fait général si vous avez une fonction qui admet à la fois un surgradient et un sous-gradient alors en ce point est différentiable et il n'y a qu'un seul surgradient et qu'un seul sousgradient et c'est le gradient C XY alors jeis écrire ça comme C de point y et donc à la fois sur et sous difffférentiable et donc elle est différentiable et le surgradient de XY est égal au sousgradient de xy et c'est un singleton et c'est égal au gradient X de xy et comme j'ai gradient c'est forcément le bon et donc égal à Mo gradi PS x donc je trouve gr x xy+ gr x = 0 ce qui détermine y de manière unique par hypothèse grâce à la condition de twist XY est égal à Mo X et par la condition de twist cela détermine y comme fonction de x et MO gr P de X bon et c'est bien parce que on a utilisé chaque hypothèse une fois une seule tout tout s'arrange bien on a utilisé la on a commencé pas résoudre le problème de Monge problème de kantorovic pardon et on a utilisé le fait qu'on avait les inégalités dans le bon sens pour montrer qu'il avait pour montrer que moins gr PSI de X pardon je vais refaire dans l'ordre on a trouvé PSI solution du problème on a dit que PSI était un supréum de translaté de C on a déduit que PSI avait une certaine régularité un peu la même fonction que les fonctions convexes une régularité automatique on déduit que PSI était différen presque partout par exemple comme0 n'est pas trop concentré P différentiable mu0 presque partout et donc on se place en X tel que c'est différentiable on utilise alors la dualité de kantorovic pour en déduire que Mo x un sousgradient de C comme fonction de x à y fix mais alors on utilise l'hypothèse 1 pour dire que en plus c'est surdifférentiable que donc différentiable et une fois qu'on sait que c'est différentiable on peut appliquer la condition de twist pour dire que c'est une fonction injective du second argument condition de T ça nous dit rien sur les endroits où c'est pas différenciable c'est juste c'est seulement quand c'est là où c'est différenciable que ça vous dit quelque chose hipothèse 5pothèse 5 c'est un bazar à l'infini c'est essentiellement pour montrer que les quand on fait un inf de translat he de C de X Y quand y tend vers l'infini il pourrait qu'il ait pas d'uniformité parce que les fonctions se mettraent à faire des trucs de plus en plus pourris à l'infini et donc quand on veut l'hypothèse 5 elle intervient quand on veut montrer quand on veut contrôler la régularité des fonctions c'est convexes et c'est c'est un c'est un vrai bazar à écrire un vrai vrai bazar ok ouais est-ce que la est-ce qu'on peut toujours retrouver un larien est-ce que la con triste ou duia et est-ce que ça permet de saturer euh c'est pas non c'est c'est ni il y a tu as des il y a des trucs qui vérifient une condition de twist sans que ça vienne dans la grangien et il y a y a quand le truc alors une question qu'on pourrait se poser c'est quand le truc vérifie un twist est-ce qu'on peut toujours trouver un lagranger artificiel ça je sais pas ça je sais pas ils appellent ça twist parce que c'était une condition utilisé par mer dans l'étude des twist diffomorphisms ou je sais pas quoi diffomorphisme de l'anneau et euh c'est c'est le genre de choses qui c'est le genre de condition qui intervient régulièrement euh dans des euh ouais disons euh historiquement euh au début c'était utilisé sans référence au lagrangien si je dis pas de bêtises pour des applications simples genre des trucs en dimension 1 euh enfin 1 + 1 position plus vitesse et quand et et avec des résultats du genre trouver des trajectoires fermées qui virifie telle ou telle chose et quand mother a voulu généraliser ça en plusieurs dimensions dans les début des années 90 il a dit évidemment c'est trop ambitieux de chercher des trajectoires fermées qui vérifient si et ça mais on peut chercher des des des des mesures invariantes qui soient supporté par des ensembles de dimensions n par exemple 2 N et on va les chercher sous la forme lagrangienne et ça ça impliquit automatiquement coup de formule la première variation qui avait une bonne qui avait cette condition de twist ouais euh il y a un livre de référence sur tout ce genre de truc c'est le livre de Fati qui qu un peu dense et et dans lequel on parle en long et en large de ce genre de chos c'est c'est Cambridge je crois Cambridge ou Oxford l'un des deux ok alors on va expliciter on va faire donner les deux exemples les plus importants bon exemple C XY = d xy² sur 2 alors l'équation est radx et T Dex est égal à exponentielle x gr P X pour PSI C convexe pars du point x je me lance dans la direction gr P X et je me balade pendant un temps t 1 je m'arrête au temps= 1 et c'est exae c'est exactement ça deuxè exemple alors un cas particulier du précédent exemple si je me prends lequidien dans X dans RN dans RN l'équation est la même chose sauf que l'exponentiel dans RN c'est tout simple c'est juste l'addition x plus gr PSI de X oou PSI et c'est convexe reste à comprendre ce que veut dire c'est convexe et on montre facilement que dans RN si c'est convexe alors D car sur 2 convex disons est équivalent à dire que P+ x car 2 est convexe et donc on retrouve alors le cas qui est venu historiquement le premierx gradient grand PS x grand PS convexe au sens usuel théorème qu'on va appeler de Brier rendorf évidemment c'est celui qui est venu en premier et fallut un certain temps avant que de comprendre que c'était de manière déguisée le cas général de la le cas particulier de la formule avec l'exponentiel euh donc dans le cas de RN on a tout compris là gradient de fonction convexe ça nous parle dans le cas de la variété rimanienne on n' pas tout compris parce que c'est convexe ça reste quand une fonction ça reste quand même défini de manière un peu bizarre donc qu'est-ce qu'on sait sur les fonctions d de car sur de convexe sur une variété dire de une fonction d de car sur 2 convex sur une variété donc je vous rappelle que ça veut dire que PSI de X s'écrit comme un supremum sur Y de Z de y Mo distance de XY car sur 2 pour un certain état peu importe quel est ce DTA donc c'est un supremum de fonction comme ça là j'ai une je représente comme ça une distance xy² centrée en y là j'en ai une autre là j'en ai une autre là encore une autre bon par exemple je peux prendre juste une fonction y je peux juste me contenter de ces qu valeurs de Y et ça me fait une fonction c'est convexe je peux en prendre juste deux les plus simples les plus simples des fonctions d Carr sur 2 convexe ça sera un truc comme ça après un peu plus compliqué il y aura le supréum de deux fonctions euh comme ça ça fait une sorte de colline encore plus compliqué a ça et puis euh vous pouvez vous demander euh ben après ça peut être euh un peu n'importe quoi alors est-ce que ça peut être un peu n'importe quoi euh là c'est une question là c'est une question très délicate et euh en général euh par exemple quand je regarde les fonctions c'est convexes il se peut qu' a des limitations sur les fonctions que je peux obtenir comme ça qui sont pas du tout évidentes au départ et ça dépend de question subtil de régularité alors pour l'instant on va juste se contenter d'un de deux remarques bon d'abord elle est évidente mais il faut le rappeler c'est automatiquement semi-onvexe c'est-à-dire dans n'importe quelle carte localement ça sera convexe plus LCE localement c'est la même régularité exactement qu'une fonction convexe c'est que l'allure globale qui peut être compliqué et la deuxième remarque est que vous pouvez montrer que si PSI est à support dans un compact K et assez petite en norme [Applaudissements] C2 alors elle est dcré sur de convexes toute petite fonction est d carré sur sur de convexes et ça c'est intéressant c'est même fondamental parce que ça dit que avec des fonctions des carrés sur de convexes si vous voulez on peut aller dans n'importe quelle direction localement quand on se demandera quels sont les transports optimaux possibles et est-ce que je peux être sûr que telle fonction correspond un transport optimal je sais que au moins je peux si je la prends petite quelle que soit sa sa tête son allure elle sera optimale je peux toujours chois isir une mesure mu0 une mesure mu1 tel que le transport associé soit un transport optimal parce que ça sera descrés sur de convexes ou excuse-moi je vois pas pourquoi en fait le fait que si plus X sur de convexe implique le fait que qu'il existe mu0 mu1 tel que ce soit un transport optimal je vois pas com comment ça implique alors tu te souviens de ce qu'on a de ce qu'on a de ce qu'on avait dit sur l'optimalité quand j'ai une alors regardons partons de ma fonction PSI ok la fonction PSI elle vient avec un gamma qui est le sousdifférentiel bon maintenant je prends une mesure mu0 quelconque et euh euh alors imaginons ici je vais tricher mais imaginons que le sousdifférentiel soit constitué de pour chaque X il y a un seul y ce qui bah même prenons PSI qui est différenciable presque partout prenons mu0 qui est absolument continue alors mu0 presque partout pour chaque X il y a un seul y donc je vais avoir une application mesurable qui x associer y bon et je défin mu1 comme étant juste la mesure image de mu0 par cette application T qui a x associe y et là par construction le transport qui est associé à t il a son support qui est incl dans le sousdifférentiel pour ça tu vois quand quand c'est le truc qu'on avait dit la dernière fois d qu'on a saturation dans le dans du côté dual on sait qu'on est optimal du côté primal alors où en sommes-nous et ben c'est pas mal alors que dire maintenant de la régularité régularité du transport bon alors ça dépend de la régularité de la solution d'une DP de type montjampè pourquoi une DP de type mongempè ben le transport optimal avec le théorème qu'on vient de dire il ramène le problème de trouver l'application t au problème de trouver l'application PSI qui est une fonction à valeur réelle et je peux écrire l'équation jacobienne qui me donnera le transport je l'écris alors l'application jacobienne dans d'habitude c'est d DT de X est égal à ici je vais l'écrire R0 de X sur R1 de TX le quotient des densités avec éventuellement les subtilités s'il y a lieu sur le fait que on travaille pas forcément avec les mesure volume ou qui sait quoi mais supposons qu'ici soit densité par rapport à la mesure volume mesure de le bec dans RN tout ça et ant que je sais est la tête de T t cétait X X et ben je vais écrire le déterminant jacobien de T en fonction de ce en fonction de ça alors quand on dérive t on va se retrouver à dériver ça et évidemment il va y avoir la dérivée de C qui va jouer et aussi la dérivée de PSI problème de type dérivée des fonctions composé et on aura un terme qui fera intervenir que c si on veut quelque chose qui parle de la géométrie et un terme qui lui fera intervenir PSI et et s mélanger alors quand on écrit le truc proprement on trouve ça déterminant IEN de PSI plus gr X+ sen par rapport à X de X euh si vous voulez je vais vous l'écrire seulement pour distance carré ça m'évitera de mettre des -1 partout et là j'aurai lesexonentiel donc par exemple pour C = d²/ 2 voilà et est égal à R0 de X divisé par R1 de exponentiel X et puis multipli par det gr XY C x exponentiel gr P ici comme ça et juste ici c'est un 1 OK c'est un -1 non parce que c'était gr x c'est - 1 donc non c'est comme ça alors vérifie quand même on regarde cette équation là et on se dit qu'est-ce qu'on va pouvoir en faire euh c'est vraiment du mot Jean perère au sens où c'est déterminant de IEN PSI et puis des termes et tous les autres termes ils sont d'ordre inférieur en PSI ordre 1 ordre 1 ordre 1 donc quand on regarde le les termes de plus haut degré ça c'est à gauche là et juste la partie en déterminant sen de PSI maintenant les équations de bjanère elles sont beaucoup plus traîtres que les équations quasi linéaires ou semilinéaire et sont des équations dans lesquelles les termes d'ordre 1 peuvent influer gravement sur la sur la régularité de la solution et c'est seulement sous des hypothèses très contraignantes sur C qu'on sait qu'il y a une solution régulière à ça et donc oui c'est bon l'équation était bonne et le résultat le seul résultat abouti qui marche bien c'est le résultat de non régularité qui dit qu'en général la solution n'est pas lisse et c'est toute une affaire ça serait tout un tout un cours de de comprendre pourquoi exactement on va pas se lancer là-dedans mais juste énoncer donc théorème de non régularité de leupè alors soit M une variété rimanienne tel que il existe au moins 1 x il existe au moins une un plan P inclus dans TXM tel que la courbure sectionnelle du plan P en X soit négative donc il suffit qu' quelque part un plan dans lequel la courbure est négative alors il existe des densités R0 R1 euh c'est infini strictement positive sur M euh tel que le transport optimal T qui va de R0 R0 FO volume à volume si on veut avec cou C distance carré et discontinu t n'appartient pas à c de MM bon donc aucun aucun espoir en un certain sens tu n'appartient pas à gr PS dem et la fonction PSI sera non différenciable la fonction PSI optimale bon alors PSI c'est une fonction semi-convexe donc on sait qu'elle est différentiable en dehors d'un ensemble de dimension n -1 blabla mais elle sera jamais mieux que ça vous pourrez jamais garantir que PSI sera que PSI sera C1 autrement dit le programme si on veut le si on veut développer un programme géométrique basé sur le transport optimal on peut pas supposer qu'on travaille avec des fonctions lisses on peut pas non plus régulariser en général les fonctions les fonctions C convexes Liss ne sont pas denses dans l'ensemble des fonctions C convexes fonction convexe on se dit toujours on peut la régulariser et à coup de fonction convexe lisse je peux approcher des fonctions convexes non lisses dans le monde c convexe c'est pas vrai et en général la la clôture la des des des fonctions C convex list ne coïncide pas avec l'ensemble des fonctions C convexes et qu'est-ce qu'on va dire d'autre donc vous voyez que dès qu'il y a une courbure négative quelque part il y a pas de régularité alors on pouvait encore espérer pour ceux qui tenaient à la régularité que sur une quand toute la toutes les courbures sont positives il y aurait régularité et cela il faut aussi et le résultat le plus négatif si l'on veut en la matière euh donc un autre résultat négatif résultat de figali rifor et moi-même euh sur un alors comment on va comment on va présenter ça oui on peut il existe des ellipsoïdes sur lesquels la même conclusion est vraie c'est-à-dire il existe R0 R1 et cetera tel que le transport optimal soit discontinu donc ellipsoïde P pas faire plus là pour le coup c'est sûr vous pouvez pas faire plus régulier que ça en fait dès que l'ellipse l'ellipsoïde quand vous regardez quand quand l'ellipsoïde est un petit peu déformé par rapport à une sphère ça va encore mais dès qu'il est un peu trop allongé vous avez plus de régularité et ça vous montre aussi que transport optimal c'est subtile la forme a a vraiment son importance en tout cas par rapport à la régularité et bon gomître a l'habitude de considérer que tous les ellipsoïdes sont égaux du point de vue de la régularité du transport optimal c'est pas vrai selon que l'ellipsoïde est sphérique ou allongé la régularité sera complètement différente alors il est vrai qu'il a régularité sur la sphère et et disons qu'on peut qu'on peut régulariser sur la sphère qu'on peut approcher les fonctions C convexes par des fonctions C convexes Liss et cetera mais c'est très très fragile c'est lié au fait que c'est que c'est vraiment la sphère et ça s'explique la sphère mais ouais ouais alors oui oui mais ça serait toute une histoire juste faire un petit dessin je vais juste faire un petit dessin on sera très en retard mais c'est pas grave on verra si on peut rajouter une séance euh idée alors ça c'est pas c'est pas l'argument qui est dans qui est dans l'article de l'article de le père mais c'est une façon de comprendre ce qui se passe qui est très simple IDE de pourquoi la rég échoue quand vous avez une courbure négative donc juste une idée bon courbure négative c'est quoi l'exemple typique c'est un une celle de cheval ok bon alors on va dessiner la selle de cheval et je vais faire un truc qui semblera une énormité je vais la dessiner la la la selle de cheval plongée et vu par au-dessus donc quelque chose comme ça disons et qu'est-ce que j'entends par là ben imaginez que le cheval il est là là il y a la queue là et puis devant là il y a sa tête voilà ave sa crinière et donc vous voyez le truc par au-dessus et puis on va supposer qu'il y a des axes de symétrie que tout est bien et que vu dessus là vous avez des trucs qui terminent les lignes ça c'est la ligne qui est courbée comme ceci tac tac et celle-ci c'est celle qui est courbée comme ça donc vous êtes dessus là les jambes qui passent comme ça et là ça ça revient par ici par devant et par derrière pour vous soutenir bon et maintenant on va tout près de ce pointl qui est courbure négative considérer une densité qui est TR concentré sur deux petits points là comme ça vous imaginez là il y a un pic là un autre pic tout est lisse mais l'essentiel de la masse est là-dedans et là-dedans et ça c'est mon mu0 et maintenant mon mu1 je vais le mettre là ici et ici donc mu1 mu0 disons le gros de la masse bon et puis mais c'est les densités qui sont c'est infinies par part positive et tout ce qu'on veut ok bon et maintenant je vais regarder ce qui se passe quand je fais le transport comme il y a le gros de la masse mettons qu'il y a plus les tr/4 de la masse qui sont ici dans les trucs bleus plus les tr/4 de la masse sont les trucs rouges fatalement il va y avoir une partie de la masse qui va d'un rouge à un bleu au lieu d'aller se perdre quelque part là-bas donc quelque part mettons il y a ça au moins un point qui va là qui va d'ici à ici bon et maintenant supposez aussi que tout est symétrique que mes densités elles sont symétriques par rapport aux axes il y a ces deux axes de symétrie et le transport optimal on sait qu'il est unique ça faisait partie du ça faisait partie du du théorème précédent il est terminé par l'équation blabla transport optimal est unique donc il préserve les symétries donc si je regarde le centre qui est là ben il bouge pas il reste fixé dans le transport bon et maintenant je regarde ce que j'ai fait là j'ai o là je vais appeler a là je vais appeler B et je sais qu'il y a de la masse qui va de A vers B et que o reste fixé bon et maintenant je vais appliquer la relation de monotonie monotonie cyclique et Ben qui me dit que donc monotonie distance de o à carré plus distance de A à B carré est inférieur ou égal à distance de OAA carré plus distance de BA de OAB car si vous voulez je suis juste en train de dire que comme c'est optimal c'est mieux de faire ce transport là et celui que de faire ce transport là et celui-là et c'est juste j'applique la relation de monotonie cyclique dans le cas très simple a que de coupes une monotonie classique maintenant regardez ça distance de au carré évidment c'est ég à 0 et là je suis en train de dire que la diagonale au carré par rapport à la somme des carrés des côtés elle est plus petite mais ça c'est impossible en courbure négative courbure négative le théorème de Pythagore devient une inégalité et la diagonale est trop grande courbure négative donc ça ça contredit la courbure négative bon parce que il y a un angle parce queil y a un angle droit ici et donc voilà quoi alors si on réfléchit vraiment à ce que prouve ce raisonnement parce que là j'ai l'impression que j'aiis arrivé à une contradiction c'est que j'ai pas le droit de d'écrire que le le centre reste fixé c'est un événement de mesure nul ce que ça dit en fait c'est que il y a une discontinuité au en haut au centre de symétrie donc ça c'est ça c'est l'idée si ça c'est l'idée si on veut et avec ça ça capture bien c'est cette idée de la de la courbure négative alors le théorème de régularité de le PA là c'est ce que j'ai j'ai mis c'est une version c'est la version qui nous intéresse directement pour des questions géométriques mais en fait le le théorème est beaucoup beaucoup plus précis que ça il vous donne une condition géométrique sur la variété qui vous dit quand est-ce qu'on peut et quand est-ce qu'on peut pas avoir la régularité et la condition simplement ici j'ai mis j'ai pris la façon la plus simple de vérifier que la condition de le père est violée il y a plein d'autres façons et nous ce qu'on fait dans cet article là c'est de montrer que la condition de le père est violé même pour des ellipsoïdes allongé alors ça ça nous dit aussi quelque chose le transport optimal n'aime pas la courbure négative et c'est toute une affaire euh pour beaucoup de géomètres qui aiment bien la courbure négative et sur les 1000 pages de ce bouquin je crois qu'il y a pas un seul endroit où la courbure négative aide donc ça c'est pour la ça c'est pour la régularité et non régularité est-ce qu'il y a des questions on va bientôt devoir faire une la une petite pause peêtre ou ouais ouais ouais ouis c'est un bon moment pour faire une petite pause des questions la condition de régularité la courbure est pincée par exemple non c'est une la la la condition elle fait intervenir le 4e ordre par rapport à la métrique pas le second ordre c'est une condition qui fait intervenir des dérivés dans ordre 2 3 et 4 du coup de transport et qui peut s'interpréter alors en revanche voilà comment elle peut s'interpréter tu regardes réinterprétation du à Man et Kim ici présent tu regardes m M et M C m tu mets dessus une pseudométrique une pseudométrique qui est donné par la dérivé croisé seconde en XY de la distance au carré hein distance distance en y par construction c'est toujours une métrique nn signature nn c'est pas une mîtrique rimanienne elle est pas définie positive mais sur les deux n directions n positive n négative il y a quand même des formules pour calculer courure sectionnelle de ces bestiau là il faut éviter normalisation truc comme ça et maintenant la condition c'est que la courbure sectionnelle de ce bestiau là soit positive dans dans certaines directionsou dans toutes les directions je sais plus mais ça s'interprète comme une rentr rentrer comme une condition sur la courbure sectionnelle de cette variété pseudoimanienne de dimension 2N signature nn ok alors donc si on résume dans un cadre régulier il y a des conditions sur lesquelles dans lesquelles on peut avoir quelque chose qui ressemble à une formule pour le transport optimal en particulier estterminé par une seule fonction une fonction c'est convexe et d'autre part il y a une absence en général de régularité qui fait que même si on a ces formules là on peut pas supposer que les fonctions sont différentibles même que le transport est continu la dernière chose qu'on va rappeler sur le transport optimal ce sont les distances de transport et interpolation j'en avis pas parlé ça n'est-ce pas non et interpolation par transport alors définition euh sur grand p p X qui est par définition l'ensemble des mesure de probabilité sur X euh tel que intégral de distance de X0 à X puissance P mu de DX est fini on définit WP de mu0 mu1 égal le coût de transport donc minimum intégral de distance de X Y puissance P pi DX dy parmi tous les PI qui relient mu0 à mu1 à la puissance 1/ P bon et on peut le définir alors avec cette définition là il faut se limiter à P compris entre 1 et infini strict on peut prendre d'autres valeurs de p mais si vous tombez en dessous de P = 1 il faut pas mettre la puissance 1/ P ici et puis on utilise très rarement donc c'est ça qui c'est ça qui nous intéresse surtout le cas P = 1 et P = 2 qui sont les deux plus important de loin bon et ceci hérite des propriétés de l'espace métrique xD Donc si xD est un espace métrique polonais donc séparable complet alors PP x la distance WP aussi il est métrique il est séparable il est complet et si xD est un espace géodésique alors PP X est aussi un espace godésique WP aussi petit rappel sur ce que c'est qu'un espace métrique géodésique alors rappel bon en espace métrique on sait ce que c'est séparable ça veut dire qu'il existe une suite dense complet suite de Cochi converge bon ça on a pas de souci qu'est-ce que ça veut dire géodésique alors pour comprendre ça on commence par définir la longueur d'un chemin et mettons que ce soit une application lip sheits qui va de 01 dans X je peux le définir de deux façons différentes qui sont équivalente première définition possible intégrale de 0 à 1 de Lim sup quand Epsilon tend vers 0 de distance de gamma de T à gamma de t + Epsilon divisé par Epsilon et j'intègre ça en T ça c'est une première définition possible la l'imsup sera défini presque partout du fait que gamma et lipsit et ce Tru on le note souvent gamma pointé c'est la vitesse bon vitesse vu dans l'espace métrique et la deuxième définition possible c'est le dire que c'est le SUP sur toutes les façons de prendre des de diviser en N temps donc sub sur N et sub sur toutes les subdivisions 0 = T0 plus petit que T1 plus petit que et cetera plus petit que tn qui vaut 1 des euh somm pour i allant de 0 à n - 1 des distances de gamma ti à gamma ti + 1 bon et voyez la deuxième notion est très intuitive il s'agit de couper en petit morceau et d'approcher la longueur du chemin par la somme des distances entre deux points successifs bon et euh une géodésique c'est un un chemin tel que la longueur est égale à la distance entre ces extrémités bon d'abord on a toujours distance de gamma 0 gamma 1 inférieur ou égale à la longueur de et si l'égalité est atteinte gamma est dit géodésique et alors on a par construction quel que soit gamma distance de gam0 G 1 inf ou égal à la longueur de gammati si gammati de 0 ég gamma 0 et gamma de 1 ég gamma 1 autrement dit on a effectivement à ce moment-là que une géodésie qui est un chemin qui minimise la distance entre ces points extrémités bon et on dit qu'un espace on dit que X est un espace géodésique si quel que soit X et quel que soit y il existe une géodésique reliant X à y et voilà et donc on peut montrer que si l'espace xD godésique alors l'espace de vasserstein comme on l'appelle souvent WP pour la maétrique WP et géodésique aussi bon et je vais pas développer mais ça s'inscrit dans un cadre beaucoup plus général si vous avez une notion de si vous avez une notion d'action un peu comme tout à l'heure intégral de l de gamma gamma pointer sur votre espace alors vous pouvez relever ça en une notion d'action sur l'espace des mesures de probabilité et il y a tout plein de formules qui qui vont avec et ces questions là savoir quand est-ce que donc voyez important aussi on a alors distance de X à y est égale au minimum des longueurs de chemin gamma pour gamma 0 = x GAM 1 = y donc j'ai commencé en définissant la longueur et à partir de la distance mais après on peut reconstituer la distance à partir de la longueur les deux viennent l'un avec l'autre et c'est quand vous avez de manière générale un coup qui vient dans l'agrangien et que à la fois vous pouvez décrire le le le cou le le pardon le lagrangien comme le sub des sommes de tous les coûts pour aller d'un temps un temps qui vient juste après ou que vous pouvez décrire le coût comme l'inve de tous les intégrales larangienne des chemins qui vont de l'un à l'autre vous pouvez faire la même chose ce transfert de ce transfert de propriété une référence sur la géométrie métrique c'est référence incontestée c'est le Burago Burago Ivanov dans lequel en long et en large on regarde donne des conditions sur lesquelles les espaces sont des jeés et des choses comme ça il y a un analogue abstrait enfin général du théorème classique qui dit dans une variété rémanenne étant donné deux points je peux toujours trouver une géodésique minimisante qui les relie et en gros dès qu'on aura de la dès qu'on a de la compacité locale un théorème similaire va être vrai dans un cadre général donc et dès qu'on a cette propriété une propriété disons que la distance est définie par par un N des longueurs qu'est-ce qu'on va dire d'autre on va dire que donc ça je vais pas le démontrer je vais juste dire quelle tête elle a la géodésique parce qu'elle est elle est simple définir est très simple et même on va expliquer on va donner un théorème qui vous donne la structure des godésiques bon il sera commode de considérer P = 2 pareil ça a l'avantage de normaliser la vitesse des géodésiques alors que P = 1 ça normalise pas bon et voici un théorème m T pour t compris entre 0 et 1 est une géodésique dans P2 de X si et seulement si il existe grand pi une mesure de probabilité sur l'espace des géodésiques donc ça c'est les géodésiques de X à vitesse constante tel que premièrement quand je regarde e0 E1 mesure image grand pi j'obtiens petit pi un couplage optimal un couplage optimal de mu0 et mu1 et deuxièmement et mesure image grand Pi est ég à M ou ici par définition et de GAM est ég à GAM t juste l'application d'évaluation donc ce grand P c'est une mesure de probabilité sur les godésiques sélectionne des godésiques et ça leur applique une et ça leur donne un poids si vous gardez de cette information sur les jeésique que l'information des points extrémaux point de départ point final vous revenez à le transport optimal le cadre classique qu'on a vu jusqu'ici mais si au lieu de ça vous regardez que ce qui se passe au intermédiaire en T vous obtenez une mesure sur X qui dépend T et cette mesure sera la géodésique donc le grand P il est au-dessus de tout si vous voulez il à la fois il vous permet à la fois de reconstruire la géodésique le chemin qui va de l'un à l'autre et de reconstruire le couplage la façon d'apparier point de départ et point d'arrivée dans cette énoncé il y a un sens qui est très facile quand on le prend bien c'est si je prends un truc comme ça alors c'est une godésique il a un sens qui demande du travail c'est si je prends une godésique alors il existe une mesure de probabilité et je vais juste expliquer comment comment on fait ce sens là de sens donc IDE alors d'abord si grand vérifie les hypothèses ben je vais regarder euh l'application qui a gamma de s associe gamma t euh définit un couplage entre mus S et M t bon je prends les particulle tel qu'elle est au temps S et je la bouge vers la position qu'elle occupe temps t et ça ça me transforme muss en M T et je regarde la distance entre gamma S et GAM t si gamma est une géodésique ça va être égal à t- s FO la distance entre gamma 0 et gamma 1 gamma géodésique donc quand je regarde l'intégrale double de C xy et puisque je vais appeler pi stant que ce soit pi St ce couplage de DX dy ça sera égal à l'intégrale double de distance de gamma s gamma t carré euh pi de d GAM et donc égal à s- t car l'intégrale double de distance de gamma 0 à gamma de 1 car pi d gamma mais par hypothèse ça ce dernier truc c'est égal à la même chose avec le couplage optimal distance de xy² PI de DX dy et comme il est optimal donc ça me fait s- t car FO la distance au carré de mu0 à mu1 bon donc là je suis en train de dire que W 2 de Mus s à M T est inférieur ou ég à s- t FO W de de 0 à mu1 bon bon et après toutes ces formulesl vous voyez elles s'ajoutent quand je vais les regarder sur des petits intervalle de temps euh je vais toutes les ajouter et ici ça sera quelque chose de linéaire en temps donc ça va tout s'ajouter aussi et sachant que euh euh sachant que euh sachant ça la la seule solution si vous voulez c'est que j'ai AFF faaire à une géodésique cela implique que mus s est une géodésique he si vous voulez alors comment oui parce que regardez là je vais prendre une défin je regarde W2 de muss m t je divise par s- t c'est toujours inférieur ou égal à w20 quand j'intègre quand je prends la limite quand s pareil et puis après quand j'intègre çaintre ça par rapport au temps pareil donc la longueur du chemin est inférieur é w20 l'inégalité inverse est toujours vrai et donc là forcément mon chemin est minimisant donc là c'est c'est quasiment juste écrire les dérouler les définitions une fois qu'on a fait cette remarque W0 donc chemin minimisant alors l'utre sens c'est plus délicat Pr vous savez rien dessus vous avez juste le chemin donc il vaoir a pas de couplage quoi reconstituer un couplage alors maintenant si muté est une géodésique ben que faire premièrement j'ai mu0 j'ai mu 1 demi et j'ai mu1 alors d'abord de manière tout à fait BTA entre mu0 et mu1 je peux introduire un couplage pi petit pi optimal pour le coup égal d Carr je peux toujours faire ça mais là j'ai complètement oublié la géodésique j'ai pas utilisé mon mon information alors maintenant je vais utiliser juste un peu de la geodésique juste un peu de la jodésique avec le point 1 demi et donc je vais regarder MU 1/2 et ben ce que je vais faire c'est que je vais introduire un couplage optimal 0 1/2 qui va de 0 à MU 1/2i et un autre couplage optimal 1/1 qui va de 1/2i à mu1 donc deux couplage optimau bon et une fois que j'ai fait ça je vais en déduire une façon de rabouter de de mettre ensemble non plus des couples mais des triplés point de départ point intermédiaire point final et pour cela couplage optimau on les recolle le long de leur marginal commune mu 1 demi alors comment on fait ça pour cela on désintègre la première pi0 12 par rapport à 1/2 et donc j'ai des mesures conditionnelles pi0 12 de DX sachant y et puis mu 12 de dy ça ce sera donc égal à pi02 de DX d y je note comme ça la désintégration par rapport à la deuxème marginale euh je désintègre pareil pi 121 par rapport à 1/2 donc je vais avoir un truc qui sera pi 1/21 de euh dy sachant x alors jeis écrire ça plutôt comme ça d Z sachant y 1 dy et maintenant je recolle les deux euh le long de 1/2 et donc je définis pi avec TR indices cette fois 0 12 1 de DX dy DZ comme étant pi 0 12 de DX sachant y mu 12 dy et pi 1 de d Z sachant y qui et bien une mesure dans les trois arguments ça ça me fait une mesure sur les triplets et une fois que j'ai fait ça je vérifie que quand cette mesure sur les triplés j'oublie le point demi je récupère toujours un couplage optimal entre le point de départ et le point final et là il y a un petit raisonnement à écrire en comparant les en comparant les distances en utilisant le fait que que c'est une géodésique et là ça ça définit don donc une mesure de proba sur des triplet que je vais noter X0 x12 X1 et ben c'est la première étape de l'approximation de ma géodésique c'est point de départ point milieu point d'arrivée et ensuite je recommence je vais couper chacun des deux interval en 2 et je vais définir une mesure trase sur des quintupl en donc là j'avais ça et puis maintenant je vais reprendre un truc sur les points intermédiaires ici et ici un couplage ici ici ici ici et je recolle tout et je vais recommencer pour construire petit à petit des mesures de probabilité sur des suites de plus en plus longue et après ben il y aura une opération de passage à la limite où on regardera si on veut la la limite quand le nombre de points intermédiaires tent vers l'infini et ça nous donnera une mesure sur des chemins on vérifiera que ces chemins sont automatiquementus et même lip sheet et on en déduira que c'est une mesure de probabilité sur les géodésiques ouais 3 ça fait une chaîne de Marc sur les trois éléments ça sera aussi vrai sur le quand on a plusieurs plus que TR oui oui tu vas avoir on va avoir un passant de qu'est-ce qu'on va dire euh oui oui oui à chaque fois dans la la la la la la formule d'après si on veut je recollerai par rapport à celle-ci et celle-ci et celle-ci je désintègre celle-ci par rapport à son point d'arrivée euh je je je désintègre alors attends comment on va faire euh même mon sent on peux dire je rajoute de manière fait on fait les deux à la fois euh j'en a et 3 j'en rajoute je rajoute deux variables je rajoute deux variables je désintègre il me faut une qu' me faut une double désintégration ça c'est pas [Musique] super je pas de bêtises to toc toc là je voulais revenenir c'est la mesure produit un produit de mesure avec un produit de mesure ave de consécutif et ça drôle pas surprenant mais intéressant de voir que ça fait la mesure qu'on définit ch Mar sur les tripl X0 X1 de alors c'est c'est c'est c'est vraiment ça qu'on fait on est en train de dire que partant le le euh problème de kantorovic c'est partant de X0 comment on le distribue quoi et on a on le voit comme un le quantorovic on peut aussi bien dire pi de DX dy on peut toujours l'écrire mu0 DX FO pi de dy sachant x juste en désintégrant le PI par rapport à sa première marginale et le problème du passage de kantorov c'est passé de la chaîne de Markov à l'application bon et là et là c'est pareil effectivement on va passer de alors on va passer de X0 avec une certaine probabilité à X donc l'étape suivante ça sera 1/4 de x1/ à x12 de X2 à x3/4 de x3/ à X et à chaque fois ben voilà à à chaque fois je vais reprendre la mesure c'est pour ça que je je suis en train de ici je vais reprendre la mesure 0 15i celle-ci là celle-là je vais la coupé en deux dans il va y avoir un intervalle je vais désintégrer je vais prendre les deux mesures je vais refaire la même construction qu'ici la mesure optimale ici une mesure optimale là désintégrer les deux par rapport à leur marginal commune qui là sera mu 1/4 recoller pour aboutir à un truc qui rajoute un point je suis pas obligé de faire diadique aussi je peux me contenter de les rajouter un par un là ça a pas d'importance voilà euh alors deux petites remarques pour terminer alors oui juste un point pour euh formaliser vous allez me dire comment on fait pour passer de l'étape où c'est défini sur des nupl à l'étape où c'est défini sur des chemins truc le plus simple c'est quand vous avez votre nupl de le recoller avec des pbout géodésique arbitrairement comme ça ça vous fait un truc une mesure qui défin sur des chemins lipsets et après passer à passer à la limite alors et il vous faut donc pour ça ce que vous pouvez toujours construire une règle de sélection de géodésique une règle mesurable de sélection de géodésique qui vous dit ben entre X et Y je peux choisir une géodésique manière qui est juste mesurable il y a tous les théorèmes que vous voulez dans les théorèmes de sélection qui vous permettre de faire ça alors les deux remarques remar cela se généralise à d'autres actions dès qu'il y a le propriété de coersivité et une propriété de reconstruction bon alors qu'est-ce qu'on qu'est-ce qu'on entend par là euh votre action ben il va y avoir euh euh une famille de coup CST de X à y bon euh qui correspondra au coup pour transporter auutant s partant partant du temps s en X auant t en Y et tel que famille et puis a st de gamma qui sera tel que CST qui seront liés tous les de tel que d'une part CST de X à y sera ég à l' des a de GAM sur tous les GAM tel que GAM S X et gamma de T = y et d'autre part à St de gamma est égal au sup pour s = T0 plus petit que et cetera plus petit que tn é= t des sommes des C ti ti + 1 de gamma ti gamma ti + 1 donc ça c'est la façon de formaliser le fait que à partir du à partir des actions vous retrouvez les coups et à partir des coups vous retrouvez les actions exactement pareil que dans le cas de la longueur à partir de la longueur des chemins on déduit les distances à partir des distances on déduit les longueurs quand vous avez cette propriété là et que il y a un peu de coersivité et alors coersivité euh ça sera le fait que les chemins existent que les chemins minimisau existent et le fait que quand les points extrémau sont dans des compactes alors gamma les les minimiseurs aussi sont dans des compact plus l'ensemble des chemins minimisants à valeur à pardon à extrémités dans des compactes fixé et fix et compact aussi si l'ensemble des chemins qui relient de compact et compact alors vous pouvez refaire toute la construction et pareil définir une interpolation qui correspondra à cette action et un exemple très intéressant c'est quand vous avez une action qui dérive dans l'agrangien au sens qui est encore là donc par exemple pour ça pareil vous avez des courbes minimisant mais vous pourrez remonter ça en une action sur l'espace des mesures de probabilité donc ça c'est la première remarque et la deuxième remarque a deux autres remarques pardon donc remarque 2 souvent l'interpolation vérifie des propriétés meilleur que mu0 mu1 et en particulier par [Musique] exemple dans un contexte lisse avec le cou égal distance au carré m est le transport on va dire y et le point point d'arrivée est automatiquement une fonction lip du point intermédiaire bon là c'est pas bien écr pas bien dit je vais vous le refaire si vous voulez gamma de T associe gamma de 1 ellipsit ou gamma et o les gamma T sont les géodésiques apparaissant dans le théorème avec le grand pi mesure de probabilité sur les gamma ou dit encore autrement quand je regarde ma géodésique m et que je vais écrire mu1 comme une mesure par un transport qui va du temps t au temps 1 mesure image mu0 et ben pour t strictement positif t T1 sera lipsits alors que c'est pas vrai que T01 et lipsit en général point d'arrivé pas une fonction du point de départ et mêmeans il a aucune hypothèse Mme sur problème de Monge il pourrait très bien se faire qu'un point de départ donne lie à plusieurs points d'arrivée mais à partir je regarde un temps intermédiaire le point d'arrivée est une fon du point intermédiaire donc quand on regarde le transport en partant du temps intermédiaire ça se passe mieux et alors ceci est la base en tout cas on peut le comprendre comme ça du théorème dit du graph Lipchitz du graph lipsittien de ma un théorème qui vous permet de construire des mesures invariantes pour des systèmes dynamiques qui sont donnés comme les courbes intégrales des lagrangiens comme ça mesur invariant qui sont supporté par un espace de dimension n par une par un graphe et ce graphe qui est de la forme graphe à chaque x on associe une vitesse et on regarde toutes ces courbes qui passant par un point x vont à cette vitesse là donnée donc la vitesse est une fonction lip du point x ça c'est le grand théorème de du graphhe lipsen M et ce qui est fondamental derrière c'est ça que le le transport optimal est une fonction lipsis du point intermédiaire je vais vous donner une identité dans le cas quidien qui explique ça alors pourquoi bon ben regardons la quintessence du problème de transport optimal dans RN où on envoit juste de points sur deux points donc j'ai X1 X2 et que j'envoie sur Y1 y2 bon sans aucune hypothèse sur X1 X2 Y1 y2 peut-être qu'il y en a qui sont égaux on sait rien et je suppose que le coup plage X1 Y1 X2 y2 est optimale c'est-à-dire que X1 - Y1 X1 - x y1² + X2 - y2² est inférieur ou égal à X1 - y2² + X2 - y1² On suppose juste ça donc on a qu points comme ça bon et on se demande ce qu'on peut dire euh des points intermédiaires et donc on va poser gamma 1 de T est égal à 1 - TX1 + ty2 bon et euh l'identité elle dit très exactement ceci euh alors gamma 1 de T GAM 2 de T car vous faites les calculs est égal à 1- t² x1- x2² + t² y1- y2² + T 1- t x1- y2² + X2 - y1² x1- Y1 X2 y2 ça c'est vrai toujours quel que soit X1 X2 Y1 y2 si vous définissez G comme ça c'est toujours vrai mais l'hypothèse qu'on a fait ici c'est exactement ce qu'il faut pour donner un signe ce dans la parenthèse et quand l'hypothèse est vraie Mach est positif donc ceci est plus petit que ça ceci est plus petit que ça et ça implique en particulier sous l'hypothèse donc que Y1 y2 est inférieur ég à G T g t divis par T et donc voyez bien strictement positif ou pareil dès que T est strictement plus petit que 1 je pouris écrire X1 - X2 euh comme une fonction lipsis de gamma 1 - gamma 2 euh et euh voilà alors euh on va euh mentionner aussi que cela reste vrai cela reste vrai dès que euh on travaille en courbure sectionnelle travaille avec distance au carré distance au carré en courbure sectionnelle positive ou minorébure sectionnelle minoré et l'argument est d à ptrounine alors quelle implication sur l'interpolation au niveau des mesures c'est pareil au niveau des mesures dans ce cas m est égal à une application lipit mesure image mu T0 dès que T0 est compris strictement entre 0 il pourrait très bien se faire que soit comme ça x Y12 différ y2 Mme plusieurors évidment le fait d'aller effectivement de mettre là ça ve dire qu'on a sélectionné parmi les différentes vitesses et on peut le comprendre effectivement comme ça en disant départ ben j'hésite entre plusieurs vitesses mais il y en a qu'une qui me permet si je choisis le point le point qui est là il y en a qu'une qui me permettra d'y aller tu dis tu avais une autre question ou ça cétait ça bon dernière dernière remarque remarque 3 donc là on a parler d'interpollation dans le problème de kantorovic classique maintenant qu'est-ce qui se passe quand on fait l'interpollation du côté dual bon he j'ai mu0 de mu0 je passe à M t de M t je passe à mu1 bon euh quand j'étais de mu0 à mu1 c'était tout encodé par une fonction PSI bon maintenant si je repars de M et que je vaux aller à mu1 il y aura aussi une fonction psité hein qui va elle varier au fur et à mesure et puis je peux me demander quelle est la la façon dont dont psité va évoluer au cours du temps et la la réponse euh c'est que et de manière de manière extrêmement général psité va évoluer selon une équation de Hamilton Jacoby cité et solution d'une équation de Hamilton Jacoby au sens abstrait au sens abstrait c'est-à-dire en définissant à chaque instant psité comme la solution d'un problème variationnel faisant intervenir le coût alors très précisément voilà alors il y a y a deux possibilités H+ St PSI de y euh on va le définir comme inf sur tous les X des PSI de X+ CST de XY bon ça c'est le coût pour aller 2 x au temps t à y au S et donc si on veut l'ymp des dans dans par exemple dans le cas qui nous intéresse avec l'action gamma Point Carré ça sera l'INF des intégrales de s à T de gamma Point Carré parmi tous les chemins tels que gamma de s = x gamma de T = y et ça c'est aussi la même chose que distance de X à y² divisé par t- s dans le cas de la distance au carré et puis il y aura un autre semi-groupe de Hamilton Jacobi qui lui va dans l'autre sens et qui va être défini par à partir d'une fonction Phi y sub sur Y des Phi de y C St de XY bon et en appliquant en appliquant C semigroupe voilà voilà donc si comment elle marche la la comment comment marche l'opération si vous donnez mu0 et mu1 qui sont donné et puis qui a M interpolation entre les deux bon et euh que je regarde entre muss et M t quel est le quel est l'optimum et bien je vais poser PSI s égal euh le smigroupe vers l'avant vers les sens positif forward euh H0 S t 0s + PSI et je vais poser fi t é= h- 1 t PS C alors P s f est une paire optimale pour le transport entre mus et M voilà donc pour aller de mu0 à mu1 j'avais une fonction PS une fonction pH du à l'une de l'autre si maintenant au lieu de mu0 je vais à MU S et de1 je vais à M t ben je fais avancer la fonction PSI par le SMIG groupe de Hamilton Jacoby vers les temps positif et je fais reculer Phi par le SM groupe de Hamilton Jacoby vers les temps négatif et ça reste optimal et on va dire que essentiellement c'est un jeu d'écriture d'empiler les inégalités dans les bons sens et de vérifier qu'on reste toujours saturé alors l'équation de Hamilton Jacoby elle va donc apparaître comme l'outil qui permet de faire l'interpolation au niveau des fonctions scalaires Phi qui sont les fonctions les fonctions duales dans le problème de kantorovic et vous vous souvenez qu'on en avait qu'on avait un peu parlé de de Hamilton Jacoby dans le chapitre sur la géométrie ben voilà on le retrouve on le retrouve ici on le retrouve ici en tant que c'est l'équation Amon Jacoby on peut on peut le définir comme ça c'est l'équation qui qui par laquelle vous faites évoluer la fonction f telle sorte que les lignes de niveau associés les lignes gradients associé soitent des courbes géodésiques et donc on continue à garder encodé sous la forme d'une fonction scalaire dépendant du temps l'information sur toutes les trajectoires voilà alors ceci je l'ai là je l'ai écrit de manière très générale comme on se souvient dans le cas de la fonction distance au carré équation de HON Jacoby d'habitude on l'écrit dont PSI + gr PSI carr/ 2 é= 0 ça c'est une autre façon de reformuler ça il faut faire attention selon qu'on veut définir celui qui va vers les sens positif ou celui qui va ver les sens négatif il faudra interpréter ça de manière différente et il y a tout un sujet qui arrive avec ça c'est quelle est la régularité des solutions des équations de Hamilton Jacoby quand vous êtes dans un cadre métrique et ça a été l'une des surprises du sujet que en générant en gros tout ce qu'on sait comme résultat de différenciabilité pour l'équationon Jacoby classique dans RN ça reste vrai dans un cadre beaucoup plus général voilà écoutez là on a fait en trois séances que je comptais faire en deux ce qui n'est pas si mal par rapport en terme de en terme de perte euh donc là on a on a revu tout ce qu'on a besoin de savoir sur le transport optimal pour avancer chapitre suivant on va s'intéresser au fonctionnel sur les mesures de probabilité entropie et ce qui va avec des fonctionnels qui sont des puissances non linéaires là on a vu tout ce qui est tout ce qui correspond à géométrie du transport optimal on a parlé d'interpollation comment est-ce qu'on résout le problème de Monge à quoi ressemble le transport à quoi ressemble le cout qu'est-ce qu'on peut dire en fonction de la distance ouis il y a un truc que j'ai pas dit j'ai dit que c'est un espace métrique le le l'espace avec la WP en gros c'est la topologie faible des mesures qui est qui est métrisé par cette distance là avec juste des subtilités à l'infini c'est une topologie qui est juste un peu plus forte que la topologie faible dans le traitement de l'infini et voilà là on en sait tout ce qu'il faut en terme géométrique et fonctionnel disons sur la sur le le transport optimal chapitre d'après on va s'intéresser au fonctionnel des probabilités des mesures de probabilité d'autres questions on est ok ouais j'ai rien oublié [Musique]