Resource-efficient smart optical signal processing enabled by nonlinear fiber optics and machine-learning approaches.

Fischer, Bennet (2023). Resource-efficient smart optical signal processing enabled by nonlinear fiber optics and machine-learning approaches. Thèse. Québec, Doctorat en sciences de l'énergie et des matériaux, Université du Québec, Institut national de la recherche scientifique, 193 p.

Prévisualisation

PDF Télécharger (20MB) | Prévisualisation

Résumé

En optique, l’utilisation croissante de techniques et d’algorithmes d’apprentissage machine (ML) impact de façon importante une variété de systèmes. Celle-ci a mené aux développements de nouvelles techniques d’analyse, de fonctionnalités inaccessibles à la conception classique de système et des réseaux de neurones optiques (ONN). Ces nouveaux concepts forment ensemble la photonique intelligente. Cette thèse, qui se compose de deux parties, portera tout d’abord sur l’étude de l’utilisation d’algorithmes d’optimisation guidée pour la réutilisation d’infrastructures existantes en route pour de nouvelles tâches ("L’apprentissage machine "pour" la photonique). Ensuite, elle abordera l’étude d’une nouvelle approche d’analyse de signaux optiques basée sur l’optique non linéaire ("L’apprentissage machine-photonique"). Dans la première partie, la mise en œuvre d’un conformateur d’impulsions autonome et recon figurable basé sur une puce photonique interférométrique existante est étudiée pour la première fois. Le concept utilise la synthèse de cohérence temporelle sur puce pour générer des formes d’onde arbitraires dans le régime de la picoseconde. Pour le contrôle, une lecture simple est mise en œu vre à l’aide d’une méthode d’échantillonnage entièrement optique basé sur un mélange dégénéré à quatre ondes. De plus, deux algorithmes couramment utilisés sont comparés et évalués pour leurs performances en matière de mise en forme d’impulsions picosecondes. Enfin, le caractère évolutif et la précision de cette approche sont explorés par des simulations. Dans la deuxième partie, la mise en œuvre d’un ONN basé sur une fibre standard, disponible sur le marché, est examinée. Cette approche exploite une dynamique non linéaire riche (c’est-à dire la fission de solitons) qui se produit pendant la génération de supercontinuum (c’est-à-dire la génération de lumière non linéaire à large bande). Le système mis en œuvre est évalué selon différents tests de performance d’apprentissage machine et ses performances sont comparées à celles d’autres approches d’ONN existants. Enfin, le système est testé sur un exemple réel sous la forme d’une tâche de classification de la COVID-19. Les résultats de cette thèse indiquent que la photonique non linéaire peut être un outil essentiel pour le contrôle de systèmes adaptatifs, les tâches d’inférence neuromorphique et le domaine de la photonique intelligente en général. De plus, il a été démontré que les composants existants peuvent en effet être réutilisés, en atteignant des performances remarquables et en fournissant ainsi une nouvelle stratégie pour l’implémentation opportune de la photonique intelligente.

The increasing use of machine learning (ML) techniques and algorithms in optics are having an large impact over a variety of systems, enabling new processing techniques, novel system functionalities beyond classical system design and development of optical neural networks (ONNs). These novel concepts are commonly referred to as smart photonics. This thesis consists of two parts: In the first part, the use of guided optimization algorithms is investigated towards the re-utilization of existing infrastructure en route for new tasks ("Machine Learning (for) Photonics"), and in the second part an entirely new approach or optical signal processing based on nonlinear optics is investigated ("Photonic Machine Learning"). In the first part, the implementation of an autonomous, reconfigurable pulse-shaper based on an existing interferometric photonic chip is investigated for the first time. The concept utilizes on-chip temporal coherence synthesis for the generation of arbitrary waveforms in the picosecond regime. For monitoring, a straight-forward readout is implemented utilizing an all-optical sampling scheme based on degenerate four-wave mixing, and two commonly used algorithms are compared and evaluated for their performance for picosecond pulse-shaping. Finally, the scalability and accuracy of this approach is explored via simulations. In the second part, the implementation of an ONN based on a standard off-the-shelf fiber is examined. This approach exploits the rich nonlinear dynamics (i.e., soliton fission) occurring during supercontinuum generation (i.e., nonlinear broadband light generation). The implemented system is tested on various ML benchmarks and performance is compared to other existing ONN approaches. Lastly, the system is tested on a real-world example in form of a COVID-19 classification task. The findings of this thesis indicate, that nonlinear photonics can be an essential tool for adaptive system control, neuromorphic inference tasks and the smart-photonic field in general. Moreover, it was demonstrated that existing components can indeed be re-utilized, achieving remarkable perfor mance and thus providing a new strategy for timely smart photonic implementations.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Morandotti, Roberto
Mots-clés libres:	photonique intelligente; mise en forme d’impulsions picosecondes; interférométrie sur puce; échantillonnage entièrement-optique; algorithme génétique; optimisation par essaims de particules; génération de supercontinuum; fission de solitons; machine d’apprentissage extrême; photonique neuromorphique; smart photonics; picosecond pulse-shaping; on-chip interferometry; all-optical sampling; genetic algorithm; particle swarm optimization; supercontinuum generation; soliton fission; extreme learning machine; neuromorphic photonics
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	31 août 2023 13:54
Dernière modification:	08 mars 2024 05:00
URI:	https://espace.inrs.ca/id/eprint/13544

Gestion Actions (Identification requise)

Modifier la notice