Calcul neuro-inspiré avec des microlasers excitables

Neuro-inspired computing with excitable microlasers

• Auteur / Autrice : Amir Hossein Masominia
• Direction : Sylvain Barbay
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance le 17/07/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Ondes et matière (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Centre de nanosciences et de nanotechnologies (Palaiseau, Essonne ; 2016-....)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Physique (2020-....)
• Jury : Président / Présidente : Damien Querlioz
• Jury : Examinateurs / Examinatrices : Damien Rontani, Guy Verschaffelt, Claudia Teodora Petrisor, Massimo Giudici
• Jury : Rapporteur / Rapporteuse : Damien Rontani, Guy Verschaffelt

Mots clés

Mots clés contrôlés

Photonique

Mots clés libres

Calcul neuromorphique

Excitabilité

Microlasers impulsionnels

Calcul à réservoir

Photonique

Neuromorphic computing

Spiking

Excitable microlaser

Reservoir computing

Photonics

Résumé

Cette thèse présente des recherches sur des systèmes de calcul alternatifs, en se concentrant spécifiquement sur le calcul analogique et neuromimétique. La quête d'une intelligence artificielle plus générale a mis en évidence les limitations des unités de calcul conventionnelles basées sur les architectures de Von Neumann, en particulier en termes d'efficacité énergétique et de complexité. Les architectures de calcul inspirées du cerveau et les ordinateurs analogiques sont des prétendants de premier plan dans ce domaine. Parmi les différentes possibilités, les systèmes photoniques impulsionnels (spiking) offrent des avantages significatifs en termes de vitesse de traitement, ainsi qu'une efficacité énergétique accrue. Nous proposons une approche novatrice pour les tâches de classification et de reconnaissance d'images en utilisant un laser à micropilier développé en interne fonctionnant comme un neurone artificiel. La non-linéarité du laser excitable, résultant des dynamiques internes, permet de projeter les informations entrantes, injectées optiquement dans le micropilier au travers de son gain, dans des dimensions supérieures. Cela permet de trouver des régions linéairement séparables pour la classification. Le micropilier laser excitable présente toutes les propriétés fondamentales d'un neurone biologique, y compris l'excitabilité, la période réfractaire et l'effet de sommation, avec des échelles caractéristiques de fonctionnement sous la nanoseconde. Cela en fait un candidat de premier choix dans les systèmes impulsionnels où la dynamique de l'impulsion elle-même porte des informations, par opposition aux systèmes qui considèrent uniquement la fréquence moyenne des impulsions. Nous avons conçu et étudié plusieurs systèmes utilisant le micropilier laser, basés sur un calculateur à réservoir à nœud physique unique qui émule un calculateur à plusieurs noeuds et utilisant différents régimes dynamiques du microlaser. Ces systèmes ont atteint des performances de reconnaissance plus élevées par rapport aux systèmes sans le microlaser. De plus, nous introduisons un nouveau modèle inspiré des champs réceptifs dans le cortex visuel, capable de classifier un ensemble de chiffres tout en éliminant le besoin d'un ordinateur conventionnel dans le processus. Ce système a été mis en œuvre expérimentalement avec succès en utilisant une configuration optique combinée en espace libre et fibrée, ouvrant des perspectives intéressantes pour le calcul analogue ultra-rapide sur architecture matérielle.

This thesis presents research on alternative computing systems, with a focus on analog and neuromimetic computing. The pursuit of more general artificial intelligence has underscored limitations in conventional computing units based on Von Neumann architectures, particularly regarding energy efficiency and complexity. Brain-inspired computing architectures and analog computers are key contenders in this field. Among the various proposed methods, photonic spiking systems offer significant advantages in processing and communication speeds, as well as potential energy efficiency. We propose a novel approach to classification and image recognition tasks using an in-house developed micropillar laser as the artificial neuron. The nonlinearity of the spiking micropillar laser, resulting from the internal dynamics of the system, allows for mapping incoming information, optically injected to the micropillar through gain, into higher dimensions. This enables finding linearly separable regions for classification. The micropillar laser exhibits all fundamental properties of a biological neuron, including excitability, refractory period, and summation effect, with sub-nanosecond characteristic timescales. This makes it a strong candidate in spiking systems where the dynamics of the spike itself carries information, as opposed to systems that consider spiking rates only. We designed and studied several systems using the micropillar laser, based on a reservoir computer with a single physical node that emulates a reservoir computer with several nodes, using different dynamical regimes of the microlaser. These systems achieved higher performance in prediction accuracy of the classes compared to systems without the micropillar. Additionally, we introduce a novel system inspired by receptive fields in the visual cortex, capable of classifying a digit dataset entirely online, eliminating the need for a conventional computer in the process. This system was successfully implemented experimentally using a combined fiber and free-space optical setup, opening promising prospects for ultra-fast, hardware based feature selection and classification systems.