On s'intéresse à certaines propriétés dynamiques (par exemple des temps de transition) d'un système de grande dimension (par exemple les atomes d'un système moléculaire). À la fois pour rendre le problème intelligible et pour pouvoir estimer des statistiques sur de longues simulations (trop coûteuses avec le problème initial) on cherche à calibrer un modèle de petite dimension qui approche la dynamique de certaines variables collectives. Ces dynamiques peuvent montrer des effets mémoires, du fait de l'interaction entre les variables d'intérêt et leur environnement (c'est-à-dire le reste du système). Une classe de modèles utilisée dans ce contexte est donnée par les équations de Langevin généralisées. On verra la dérivation théorique qui les motive et comment, en se restreignant au cas particulier des noyaux mémoire exponentiels, on peut se ramener à des processus étendus markoviens (sans mémoire donc) avec variables cachées, pour lesquels des algorithmes efficaces d'inférence sont disponibles pour paramétrer le modèle à partir de trajectoires courtes du modèle initial. Cet exposé est basé sur [Likelihood-based parametric estimator for memory kernels in molecular dynamics, PNAS 119, 2022], en collaboration avec H. Vroylandt, L. Goudenège, F. Pietrucci et B. Rotenberg.