Photonic computing with coupled spiking micropillars and extreme event prediction in microcavity lasers
Calcul photonique avec des micropiliers excitables couplés et prédiction d'événements extrêmes dans des microcavités lasers
Résumé
The work presented in this thesis can be divided into two parts: photonic neuromorphic computing and machine learning applied to photonics. In the first part of the thesis, we present experimental and numerical results developed using coupled excitable (spiking) micropillar lasers. Spiking lasers exhibit several similarities to biological neurons but operate at much faster timescales. This similarity enables us to directly map some biologically plausible computing frameworks onto micropillar lasers thus paving the way for new neuromorphic substrates in the optical domain. The micropillar lasers can be coupled either using delayed optical feedback or spatial coupling. We first consider a single micropillar laser with delayed optical feedback. In this case, we show that the system is capable of supporting regenerative spike trains which can be manipulated (written, erased, and displaced) with single optical perturbations. In the short term, the system behaves like an optical buffer preserving the timing information about the initial perturbation sequence. However, we demonstrate that in the long term any arbitrary perturbation pattern eventually converges to one of the possible multistable spiking patterns. This finite degree of multistability consists of periodic and symmetry-broken states depending on the physical parameters of the micropillar laser. Symmetry-broken states appear as pulsing patterns with non-regular timings which can be controlled with experimental parameters. The process of convergence together with the multistability demonstrated here can be used to build content-addressable memories such as the ones based on Hopfield networks. We also present experimental results on the polarization dynamics of the response from micropillar lasers with and without feedback opening the way to using the polarization degree of freedom for neuromorphic processing. Using spatially coupled micropillars, we demonstrate numerically various circuits integrable on-chip capable of performing spike-based logic operations, spiking pattern recognition, and generating periodic spike trains. Lastly, we present results on handwritten digit recognition using a spike coding scheme called rank order coding implemented on an ensemble of micropillar lasers. The second part of the thesis is devoted to the numerical prediction of the occurrence of extreme events by using experimentally recorded data from a quasi 1-D semiconductor laser displaying spatio-temporal chaos. Our prediction is based on partial information of the spatiotemporal field in the laser system and on the identification of precursors. The precursors were identified using correlation plots and transfer entropy. Using machine learning techniques, we demonstrate extreme events forecasting with high accuracy using precursor data from a region spatially disconnected from the location of the extreme event. The prediction horizon thus obtained goes beyond the spatial and temporal correlation scales present in the initial data.
Dans la première partie de la thèse, nous présentons des résultats expérimentaux et numériques sur le calcul neuromorphique photonique obtenus avec des micropiliers lasers excitables (impulsionnels ou "spiking") couplés. La dynamique des lasers excitables présente plusieurs similitudes avec celle des neurones biologiques, tout en possédant des échelles de temps beaucoup plus rapides. Cela nous permet d’appliquer certains concepts de calcul inspirés des neurosciences directement aux micropiliers lasers, ouvrant ainsi la voie à de nouveaux substrats neuromorphiques en photonique. Les micropiliers lasers peuvent être couplés soit par rétroaction optique retardée, soit spatialement. Dans le cas d’une rétroaction optique retardée, nous montrons que le système supporte des trains régénératifs d’impulsions qui peuvent être manipulés (inscrits, effacés, déplacés) avec des perturbations optiques uniques. Au temps court, le système se comporte comme une mémoire tampon optique préservant l’information temporelle sur la séquence de perturbations initiales. Cependant, nous démontrons que dans le long terme, toute séquence d’impulsions arbitraires inscrite doit converger vers l’un des états multistables accessibles au système. Les états multistables sont des trains d’impulsions réguliers et périodiques ou à symétrie temporelle brisée, en fonction des paramètres physiques du micropilier laser. Les états à symétrie temporelle brisée apparaissent comme des séquences d’impulsions non régulières qui peuvent être contrôlées expérimentalement. Le comportement asymptotique des états multistables peut être utilisé pour construire des mémoires adressables par leur contenu, comme celles basées sur les réseaux de Hopfield. Nous présentons également des résultats expérimentaux sur la dynamique de polarisation des impulsions excitables émises par les micropiliers lasers avec et sans rétroaction, ouvrant la voie à l’utilisation du degré de liberté de polarisation pour le traitement neuromorphique. Dans le cas des micropiliers couplés spatialement, nous introduisons et étudions numériquement des circuits intégrables sur puce capables d’effectuer des opérations en logique excitable, de reconnaître des séquences temporelles d’impulsions et de générer des trains d’impulsions périodiques. Enfin, nous présentons un algorithme de reconnaissance de caractères utilisant un codage basé sur l’ordre temporel d’émission des impulsions dans un ensemble de micropiliers lasers. La deuxième partie de la thèse est consacrée à la prédiction numérique de l’occurrence d’événements extrêmes à l’aide de techniques d’apprentissage automatique et utilisant des données expérimentales obtenues dans un laser à semi-conducteurs en régime de chaos spatio-temporel. La prédiction se base sur une connaissance partielle du champ spatio-temporel dans le laser et sur l’identification de précurseurs. Les précurseurs ont été identifiés grâce à l’entropie de transfert. En utilisant des techniques d’apprentissage automatique, nous avons pu prévoir les événements extrêmes avec une grande précision en utilisant des données de précurseurs provenant d’une région spatialement déconnectée du lieu de l’événement extrême. L’horizon de prédiction ainsi obtenu va au-delà des échelles de corrélations spatiale et temporelle présentes dans les données initiales.
Origine : Version validée par le jury (STAR)