Thèse soutenue

Stratégies d'apprentissage avancées pour réseaux neuronaux photoniques spatio-temporels

FR  |  
EN
Auteur / Autrice : Anas Skalli
Direction : Daniel Brunner
Type : Thèse de doctorat
Discipline(s) : Optique et photonique
Date : Soutenance le 19/11/2024
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
établissement de préparation : Université de Franche-Comté (1971-....)
Jury : Président / Présidente : Maxime Jacquot
Examinateurs / Examinatrices : Demetri Psaltis
Rapporteurs / Rapporteuses : Julie Grollier, Kelvin Wagner

Résumé

FR  |  
EN

Les réseaux de neurones artificiels (ANNs) sont devenus omniprésents et ont révolutionné de nombreuses applications allant de la vision par ordinateur aux diagnostics médicaux. Cependant, ils incarnent une approche fondamentalement connexionniste et parallèle au calcul, contrairement aux ordinateurs classiques qui utilisent l'architecture de von Neumann. Cette distinction a suscité un intérêt particulier pour le développement de nouveaux substrats pouvant offrir des implémentations plus efficaces des ANNs, plutôt que de les émuler sur des systèmes traditionnels. La photonique se distingue comme une plateforme particulièrement pertinente, alliant haute vitesse de calcul, efficacité énergétique et capacité à traiter l'information de manière parallèle. Cependant, les réseaux de neurones optiques (ONNs) entièrement autonomes et dotés de capacités d'apprentissage in-situ sont encore rares. Dans ce travail, nous démontrons un ONN entièrement autonome et parallèle utilisant un laser à cavité verticale à émission par la surface (VCSEL) multimode. Notre ONN est extrêmement efficace et évolutif, à la fois en termes de taille de réseau et de bande passante d'inférence, jusqu'à la gamme des GHz. En conséquence, des algorithmes d'optimisation compatibles avec ces systèmes à haute performance sont nécessaires pour minimiser la dépendance vis-à-vis d'ordinateurs externes et exploiter pleinement le potentiel des ONNs. À cet égard, nous présentons et étudions de manière approfondie plusieurs algorithmes compatibles avec une large gamme de systèmes. Nous appliquons ensuite ces algorithmes pour optimiser notre ONN et les évaluons à l'aide du jeu de données MNIST. Nous montrons que notre ONN peut atteindre une grande précision et converger efficacement, même avec des ressources matérielles limitées. Il est crucial de comparer ces différents algorithmes en termes de scalabilité et d'efficacité d'optimisation, ce qui est essentiel lorsque l'on travaille avec des ressources limitées. Notre travail fournit donc des directives pour la conception d'ONNs ainsi que des méthodes simples et flexibles pour les entraîner.