DFROStNET: a deep neural network for real-time pulse characterization from frequency-resolved optical switching (FROSt) time-frequency representations.

Lepard, Sydney (2025). DFROStNET: a deep neural network for real-time pulse characterization from frequency-resolved optical switching (FROSt) time-frequency representations. Mémoire. Québec, Université du Québec, Institut national de la recherche scientifique, Maitrise en sciences de l'énergie et des matériaux, 99 p.

Prévisualisation

PDF - Version publiée Télécharger (36MB) | Prévisualisation

Résumé

Cette thèse étudie les méthodologies avancées pour la caractérisation des impulsions laser ultrarapides, en se concentrant sur la commutation optique résolue en fréquence (frequency-resolved optical switching, FROSt). Les lasers ultrarapides, avec des durées d’impulsion de l’ordre de la femtoseconde, sont essentiels pour des applications diverses. Cependant, la caractérisation précise de leurs composantes d’amplitude et de phase reste difficile en raison du problème de récupération de la phase. Les méthodes de récupération traditionnelles, telles que la ptychographie, sont très gourmandes en ressources informatiques et sensibles au bruit expérimental. Ce travail introduit une approche basée sur l’intelligence artificielle pour répondre à ces limitations. L’étude vise à reproduire le processus ptychographique avec une précision comparable et un temps de calcul considérablement réduit. La recherche englobe la génération d’ensembles de données simulées, la conception d’une architecture et le développement de protocoles d’entraînement utilisant à la fois l’apprentissage supervisé et non supervisé. Les résultats expérimentaux confirment la faisabilité du modèle proposé, qui permet une reconstruction fiable des profils d’impulsion (< 5 % erreur) tout en réduisant la dépendance à l’égard des étapes de prétraitement. Ce travail représente une étape vers une caractérisation robuste des impulsions en temps réel et ouvre la voie à de futures améliorations dans la caractérisation des impulsions ultrarapides et les sciences des matériaux.

This thesis investigates the use of artificial intelligence for the characterization of ultrafast laser pulses, focusing on Frequency-Resolved Optical Switching (FROSt). Ultrafast lasers, with pulse du-rations on the order of femtoseconds, are essential for applications in telecommunications, medicine, and material science. However, the precise characterization of their amplitude and phase remains challenging due to the phase retrieval problem, which arises from the inability to directly measure the complex electric field. Traditional recovery methods, such as ptychography, are computationally intensive and susceptible to experimental noise. This work introduces an artificial intelligence-based approach to address these limitations. The study aims to replicate the numerical recovery process used on FROSt traces with comparable accuracy and significantly reduced computation time. The research encompasses the generation of simulated training datasets, the design of a multi-resolution architecture, and the development of training protocols employing both supervised and unsupervised learning methods. Experimental results confirm the feasibility of the proposed model, achieving reliable reconstruction of pulse profiles (< 5% error) while reducing reliance on pre-processing steps. This work represents a step toward real-time, robust pulse characterization and sets the stage for future improvements in ultrafast pulse characterization and material sciences.

Type de document:	Thèse Mémoire
Directeur de mémoire/thèse:	Légaré, François
Mots-clés libres:	Caractérisation ultrarapide ; Récupération de phase ; Représentation temps-fréquence ; Commutation optique résolue en fréquence (FROSt) ; Ptychographie ; Réseaux neuronaux profonds ; Intelligence artificielle ; Ultrafast Laser Characterization ; Phase Retrieval ; Time-Frequency Representation ; Frequency-Resolved Optical Switching (FROSt) ; Ptychography ; Deep Neural Networks ; Artificial Intelligence.
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	04 juin 2026 18:57
Dernière modification:	04 juin 2026 18:57
URI:	https://espace.inrs.ca/id/eprint/17250

Gestion Actions (Identification requise)

Modifier la notice