Applications du deep-learning pour la combinaison de lasers

Deep-learning applied to coherent combining of lasers

• Auteur / Autrice : Nathanaël Hulard
• Direction : Pierre Bourdon
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Ondes et matière (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : ONERA/DOTA - Département Optique et Techniques Associées
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Laser

Deep-Learning

Cbc

Résumé

La thèse vise à identifier clairement les avantages ainsi que les limites des techniques de deep-learning par rapport à des approches électroniques plus classiques pour le contrôle de phase en temps réel permettant de combiner efficacement plusieurs lasers afin d'accroître la densité de puissance qu'ils délivrent. Dans l'équipe du département d'optique de l'Onera, les méthodes de deep-learning ont déjà été appliquées à la combinaison cohérente de lasers (CBC) mais pour l'instant seulement en simulation numérique. Elles ont toutefois démontré un fort potentiel pour l'accroissement de bande passante du contrôle de phase en temps réel utilisé pour la CBC. Elles présentent également un fort potentiel à compenser des sources de fluctuations de phase de plus en plus complexes et aléatoires, comme la turbulence atmosphérique ou le speckle d'un objet distant sur lequel on chercherait à effectuer la mise en phase. Un des objectifs principaux de la thèse vise à tester expérimentalement cette fois-ci ces techniques de deep-learning appliquées à la CBC.

Real-time phase control is used for coherent combining of multiple lasers in order to power scale those lasers, This PhD thesis will help find out the pros and cons and the main limitations of deep-learning techniques for real-time phase control when compared with standard electronical approaches. In our team in the Optics Department of Onera, deep-learning methods have already been applied to coherent combination of laser beams (CBC) but only through numerical modelling for now. They have demonstrated their capability to increase the real-time phase-control bandwidth that is involved in CBC. They also offer a huge potential to deal with complex and random processes inducing laser phase fluctuations, such as atmospheric propagation through turbulence or speckle from a distant object on which CBC is performed. One of the main goals of the thesis is to implement and test, but through experiments this time, those deep-learning techniques applied to CBC.