Thèse en cours

Strategies d'apprentissage avancees pour systemes photoniques spatio-temporels
FR  |  
EN
Auteur / Autrice : Anas Skalli
Direction : Daniel Brunner
Type : Projet de thèse
Discipline(s) : Optique et photonique
Date : Inscription en doctorat le 01/10/2020
Etablissement(s) : Bourgogne Franche-Comté
Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
Partenaire(s) de recherche : Laboratoire : FEMTO-ST Franche Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies
Equipe de recherche : Département d'Optique

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

La mise en œuvre de réseaux de neurones dans des substrats physiques est considérée comme l'un des défis les plus importants pour la prochaine génération de matériel informatique. Actuellement, les réseaux neuronaux sont principalement émulés sur des systèmes en série, numériques et électroniques. Toutefois, sur le plan conceptuel, il s'agit de réseaux d'éléments non linéaires à grande échelle et entièrement parallèles. La photonique excelle dans la mise en œuvre de tels réseaux parallèles, et FEMTO-ST figure parmi les leaders mondiaux dans ce domaine à fort impact et à haute visibilité. Bien que la majorité des efforts soient consacrés au développement de la prochaine génération de matériel, des questions fondamentales concernant l'apprentissage dans ces systèmes restent sans réponse et sont, de manière surprenante, à peine prises en compte. Il s'agit là d'une lacune stratégique, car l'apprentissage dans des systèmes bruyants et analogues présentera très probablement un comportement sensiblement différent et nécessitera des stratégies spécifiquement développées pour ces systèmes.M. Skalli développera un réseau neuronal photonique qui sera basé sur des lasers multimodes mettant en œuvre des neurones. Ce système est le banc d'essai parfait pour comprendre systématiquement l'interaction entre le bruit, les restrictions matérielles physiques et l'apprentissage par réseau neuronal. Le système ainsi construit sera performant, rapide et efficace energetiquement ce qui lui permettra de réaliser une analyse statistique des trajectoires d'apprentissage des réseaux neuronaux analogiques.