Méthodes basées sur les données pour l'analyse de la propagation non linéaire dans les fibres optiques

Data-driven methods for analysing nonlinear propagation in optical fibres

• Auteur / Autrice : Andrei Ermolaev
• Direction : John Michael Dudley
• Type : Thèse de doctorat
• Discipline(s) : Optique et photonique
• Date : Soutenance le 18/09/2024
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences Physiques pour l'Ingénieur et Microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST : Franche-Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies (Besançon) - Franche-Comté Électronique Mécanique- Thermique et Optique - Sciences et Technologies (UMR 6174) / FEMTO-ST
• Partenaire(s) de recherche : établissement de préparation : Université de Franche-Comté (1971-2024)
• Jury : Président / Présidente : Maxime Jacquot
• Jury : Examinateurs / Examinatrices : Christophe Finot, Maria Chernysheva
• Jury : Rapporteurs / Rapporteuses : Miguel Alonso, J. Nathan Kutz
• DOI : 10.70675/d9ecacb9z3769z4ea3zb6d9zf760aa01155a

Mots clés

Mots clés contrôlés

Apprentissage automatique

Optique non linéaire

Optique des fibres

Mots clés libres

Optique non-Linéaire fibrée

Apprentissage automatique

Découverte basée sur les données

Nonlinear fibre optics

Machine learning

Data-Driven discovery

Résumé

Cette thèse vise à appliquer et à développer les nouvelles méthodes d'apprentissage automatique spécialement adaptées à l'analyse et à l'interprétation des impulsions lors de leur propagation en un seul passage dans une fibre optique, et sous diverses conditions. En particulier, nous nous concentrerons sur les approches de découverte de modèles guidées par les données qui impliquent l'utilisation de l'apprentissage automatique pour analyser les données du système physique dans le but de découvrir les modèles interprétables et généralisables et de développer les méthodes qui peuvent substantiellement accomplir et/ou compléter l'analyse théorique conventionnelle. À cette fin, les méthodes d'apprentissage supervisé et non supervisé seront utilisées pour approfondir la compréhension des phénomènes non linéaires ultrarapides dans les systèmes de fibres optiques.

This thesis aims to apply machine learning methods specifically tailored to the analysis and interpretation of optical pulses as they propagate in a single pass through an optical fiber, and under a variety of conditions. In particular, we will focus on data-driven model discovery approaches that involve the use of machine learning to analyze physical system data with the aim of discovering interpretable and generalizable models and developing methods that can substantially accomplish and/or complement conventional theoretical analysis. To this end, both supervised and unsupervised learning methods will be used to deepen understanding of ultrafast nonlinear phenomena in fiber optics systems.