Modelling of Artificial Neural Networks with Integrated Photonics

Les algorithmes d'apprentissage profond sont des éléments clés d'interconnection des objets du 21ème siècle. Ils permettent de traiter de grand ensembles de données rapidement et de manière automatique. Cependant, la quantité de données à notre disposition ne fait qu'augmenter, et avec elle la latence et la consommation d'énergie de ces algorithmes. Avec la fin de la loi de Moore, l'application du Deep Learning sur ordinateur électronique devient un défis important à relever. La photonique, permettant une grande puissance de calcul et le traitement de données à haute vitesse, apparait comme une potentielle alternative.Nous étudions donc la possibilité de reproduire les différentes fonctions d'un algorithme d'apprentissage profond avec des composants optiques. Ces fonctions peuvent être résumées en quatre catégories :1. Pré-traitement des données d'entrée 2. Propagation avant des données 3. Analyse des données en sortie 4. Optimisation du réseau de neurones Une première étape vers l'utilisation de réseaux optiques d'apprentissage profond, et l'objectif de ce mémoire, est la production de circuits optiques conçus pour une tâche précise, telle que la reconnaissance d'images. Nous nous retrouvons donc dans le cas de figure suivant :le pré-traitement des données d'entrées est effectué en dehors du réseau optique, et permet, en partie, la conversion des données d'entrée en signaux optiques. L'analyse des données en sortie est exécutée en dehors du circuit, grâce à un photodétecteur qui permet de transformer la lumière en une grandeur mesurable.