Dans le cadre d’une étroite collaboration internationale, des chercheurs de l’institut FEMTO-ST, rattaché au CNRS et à l’université Bourgogne Franche-Comté, ont récemment publié leurs synthèses sur les dernières avancées dans le domaine de la photonique ultrarapide. Les lasers et les dispositifs photoniques ultrarapides sont des systèmes dynamiques complexes difficiles à modéliser. L’intelligence artificielle fort des techniques d’apprentissage automatique est une voie prometteuse pour accélérer et améliorer leur conception.
Les lasers ultrarapides qui délivrent des impulsions ultracourtes allant de quelques picosecondes à quelques femtosecondes (comprises entre 10-12 et 10-15 seconde) pour les plus rapides, sont notamment utilisés dans les télécommunications, l’imagerie biologique, l’industrie, ou encore le médical. La conception de ces systèmes photoniques, complexes et non-linéaires, repose la plupart du temps sur des simulations numériques et des essais qui conduisent à des compromis ou des limitations de performances.
Pour dépasser ces limites, alors que les applications de la photonique exigent des performances stables et parfaitement adaptées, plusieurs équipes de recherche dans le monde explorent une nouvelle voie, fondée sur des techniques d’intelligence artificielle, plus précisément sur l’apprentissage automatique (machine learning). C’est dans ce cadre là, qu’un groupe international de scientifiques, dont font parti des chercheurs de l’institut FEMTO-ST, a publié un premier article de synthèse dans la revue Nature Photonics qui donne un aperçu complet de la manière dont l’apprentissage automatique peut révolutionner le développement des sources laser et des systèmes photoniques ultrarapides.
Ainsi, cet article de synthèse rédigé par l’équipe internationale montre dans un premier temps, comment des algorithmes d’apprentissage automatique (des algorithmes génétiques) ont été utilisés pour concevoir des sources laser ultrarapides dont les caractéristiques sont déterminées en fonction du mode de fonctionnement souhaité. Dans un second temps, l’article se focalise sur d’autres algorithmes -des réseaux de neurones- qui facilitent la mise en forme de l’impulsion (compression, génération de formes d’impulsions arbitraires) en sortie de la cavité laser pour l’adapter à l’application. Enfin, les chercheurs mettent en avant les techniques d’apprentissage automatique qui permettent aussi d’analyser les phénomènes physiques afin d’identifier les paramètres clés, constituant ainsi une aide à la construction de modèles.
Le fonctionnement d’un dispositif photonique ultrarapide dépend d’un grand nombre de paramètres, ce qui rend difficile sa simulation à partir d’un modèle physique. Les techniques d’apprentissage automatique, qui identifient directement des motifs cohérents dans de grandes quantités de données, permettent d’extraire automatiquement les jeux de paramètres qui produisent les modes de fonctionnement et les performances visées. Les études dans ces domaines sont en plein développement, et, selon les auteurs, devraient maintenant explorer d’autres techniques d’apprentissage automatique, ainsi que la combinaison de plusieurs techniques utilisées jusqu’ici séparément.
Dans un second article pour la revue Nature Machine Intelligence, l’équipe de FEMTO-ST, en collaboration avec l’université de Tampere (Finlande), relaie également leurs très récents travaux. Leurs recherches permettent de montrer comment un réseau de neurones récurrents peut prédire le comportement dynamique d’impulsions laser ultracourtes dans une fibre optique. Cette méthode permet d’optimiser la propagation de l’impulsion en vue de l’application. L’étude a démontré l’efficacité des techniques d’apprentissage automatique appliquées à la compression d’impulsions, et à la génération de supercontinuum (source laser à très large spectre). Là encore, l’aide de l’intelligence artificielle évite d’avoir à résoudre des modèles mathématiques complexes, nécessitant des ressources informatiques parfois prohibitives.
Les publications des chercheurs de l’institut FEMTO-ST sont consultables :
Ici pour l’article paru sur Nature Photonics
Ici pour l’article paru sur Nature Machine Intelligence
