par Lupo, Alessandro 
Président du jury Maris, Ioana Codrina
Promoteur Massar, Serge
Publication Non publié, 2024-07-04
Président du jury Maris, Ioana Codrina
Promoteur Massar, Serge
Publication Non publié, 2024-07-04
Thèse de doctorat
| Résumé : | This thesis lies within the field of unconventional computing, and in particular focuses on physical systems whose dynamics can usefully process information.Such platforms may not outperform an electronic processor but may offer lower power consumption and better integration with sensors, and consequently may be useful for edge computing applications.Here, we study photonic systems, leveraging the relative maturity of the field due to the growth of telecommunication-related industries.Specifically, we explore how the wavelength degree of freedom of the light can be exploited to implement frequency multiplexed Artificial Neural Network (ANN) algorithms.Among many kinds of ANN algorithms, we focus on randomized ANNs. These networks are mostly composed of randomly selected and untrained connections, and only the output connections are tuned. Randomized ANNs offer interesting advantages, such as the possibility of low-cost training (both in terms of time and power) and the simplicity of implementation in physical computers. We describe the implementation of three randomized ANN algorithms: Extreme Learning Machine (ELM), Reservoir Computer (RC), and Deep Reservoir Computer (Deep-RC).We describe a variety of schemes where artificial neurons are encoded in the lines of an optical frequency comb.The mixing of information, necessary for machine learning, happens either using periodic phase modulation or using Kerr nonlinearity.Output weights can be applied optically by using programmable spectral filters.Each scheme is experimentally demonstrated in a fiber-based setup and evaluated on standard machine learning benchmark tasks.Benchmark results are in line with the performance reported on similar photonic-based systems and equivalent software implementations. We demonstrate that parallel operations can be executed on a single hardware.Parallel-running computations can be concatenated, thus constituting the layers of a Deep-RC.To the best of our knowledge, we report the first optical Deep-RC where connection among layers is entirely analog.We also demonstrate that an optical frequency comb propagating in a relatively short optical fiber can accumulate enough Kerr nonlinearity to usefully process information.Finally, we describe the design of two integrated photonic circuits that could constitute an integrated optical output layer for our frequency multiplexed systems.The first chip is an integrated programmable spectral filter, faster than the currently employed commercial solution.The second chip is a wavelength converter intended to sum the artificial neuron values encoded on a frequency comb, thus producing a monochromatic optical output. |
| Cette thèse s'inscrit dans le domaine de l'informatique non conventionnelle et se concentre sur les systèmes physiques dont la dynamique peut être utilisée pour traiter l'information.Ces plateformes ne sont pas forcément plus performantes qu'un processeur électronique, mais peuvent offrir une consommation d'énergie plus faible et une meilleure intégration avec les capteurs, et peuvent donc être utiles pour les applications de edge computing.Nous étudions ici des systèmes photoniques, en tirant parti de la maturité relative du domaine due à la croissance de l’industries des télécommunications.Plus précisément, nous étudions comment le degré de liberté de la longueur d'onde de la lumière peut être exploité pour mettre en œuvre des algorithmes de réseaux neuronaux artificiels multiplexés en fréquence.Parmi les nombreux types d'algorithmes de réseaux neuronaux artificiels, nous nous concentrons sur les architectures randomisées.Ces réseaux sont principalement composés de connexions sélectionnées au hasard et non entraînées, et seules les connexions de sortie sont ajustées.Ces architectures randomisées offrent des avantages intéressants, tels que la possibilité d'un entraînement peu coûteux (à la fois en termes de temps et d'énergie) et la simplicité de mise en œuvre dans les ordinateurs physiques.Nous décrivons la mise en œuvre de trois algorithmes : l’Extreme Learning Machine (ELM), le Reservoir Computer (RC) et le Reservoir Computer Profond (Deep-RC).Nous décrivons une variété de schémas dans lesquels les neurones artificiels sont encodés dans les lignes d'un peigne de fréquence optique.Le mélange des informations, nécessaire à l'apprentissage automatique, se fait soit par modulation de phase périodique, soit par non-linéarité de Kerr.Les poids de sortie peuvent être appliqués optiquement à l'aide de filtres spectraux programmables. Chaque schéma fait l'objet d'une démonstration expérimentale en fibre optique et est évalué sur des tâches de référence standard en matière d'apprentissage automatique.Les résultats des tests de référence sont conformes aux performances rapportées sur des systèmes photoniques similaires et sur des implémentations logicielles équivalentes. Nous démontrons que les opérations parallèles peuvent être exécutées sur un seul système.Les calculs exécutés en parallèle peuvent être concaténés, constituant ainsi les couches d'un Deep-RC.À notre connaissance, nous présentons le premier Deep-RC optique où la connexion entre les couches est entièrement analogique.Nous démontrons aussi qu'un peigne de fréquences optiques se propageant dans une fibre optique relativement courte peut accumuler suffisamment de non-linéarité de Kerr pour traiter utilement des informations.Enfin, nous décrivons la conception de deux circuits photoniques intégrés qui pourraient constituer une couche de sortie optique intégrée pour nos systèmes multiplexés en fréquence.La première puce est un filtre spectral programmable intégré, plus rapide que la solution commerciale actuellement utilisée.La seconde puce est un convertisseur de longueur d'onde destiné à additionner les valeurs des neurones artificiels encodées sur un peigne de fréquence, produisant ainsi une sortie optique monochromatique. |
