Thèse Apprentissage Automatique Plausible dans les Circuits Photoniques Intégrés H/F - 75

Établissement : Université Paris-Saclay GS Physique
École doctorale : Ondes et Matière
Laboratoire de recherche : Laboratoire Lumière, Matière et Interfaces
Direction de la thèse : Alfredo DE ROSSI ORCID 0000000197697905
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-03-30T23:59:59

Cette thèse porte sur l'apprentissage automatique « physiquement plausible » réalisé dans des circuits photoniques non linéaires. Il s'agit d'exploiter directement les lois physiques pour effectuer des tâches de calcul, plutôt que de passer systématiquement par des processeurs numériques universels, qui ne sont pas optimaux en vitesse et en efficacité énergétique lorsque les signaux à traiter proviennent du monde réel [1]. Le calcul analogique consiste à choisir un système physique suffisamment complexe dont l'évolution naturelle, une fois ses paramètres réglés, fournit la réponse désirée à partir d'un signal d'entrée.

L'originalité du projet tient au caractère « physiquement plausible » de l'apprentissage : les règles d'adaptation des paramètres ne doivent utiliser que des grandeurs accessibles expérimentalement, en pratique les champs optiques en sortie de circuits photoniques, sans connaissance détaillée de l'état interne. De plus, l'action sur un paramètre doit reposer sur des mesures locales, directement liées à ce paramètre. La rétropropagation du gradient, au coeur de l'IA moderne, ne satisfait pas ces contraintes et n'a pas de réalisation claire dans des systèmes physiques, en particulier dans des circuits photoniques intégrés.

Le projet s'inscrit dans la lignée de paradigmes issus de la physique statistique, comme les machines de Boltzmann, réseaux génératifs introduits par G. Hinton et co-auteurs, qui apprennent selon un algorithme biologiquement plausible [2]. Des travaux théoriques de l'équipe ont montré qu'un ensemble de lasers semi-conducteurs bruités peut implémenter une telle machine de Boltzmann, réalisant des tâches d'échantillonnage (génération d'images) et de classification à très haute vitesse et avec une grande efficacité [3]. Plus généralement, la thèse explorera si des circuits photoniques intégrés complexes peuvent effectuer des opérations « utiles », en s'appuyant sur des cadres comme le reservoir computing et les echo-state networks [4], l'Equilibrium Propagation [5,10] et d'autres approches développées par une communauté très active.

Des travaux pionniers en optoélectronique [6] et en tout-optique [7] ont déjà démontré, sur table optique, que des tâches de classification et de prédiction peuvent être résolues efficacement. Sur la base des performances de dispositifs existants, l'équipe a déjà modélisé des systèmes photoniques à micro-résonateurs couplés et montré qu'ils peuvent être utilisés pour le reservoir computing [8] et qu'ils présentent un intérêt pour les communications optiques haut débit [9]. La thèse, essentiellement théorique et numérique, visera à mieux comprendre le processus d'apprentissage dans le calcul tout-optique non linéaire, à l'aide de simulations à grande échelle et en lien avec des expériences de preuve de principe.

Le programme doctoral est international : première année à l'Université Libre de Bruxelles, dans l'équipe de Serge Massar, centrée sur l'apprentissage physiquement plausible et l'extension d'Equilibrium Propagation aux systèmes non conservatifs [10], puis deux années à l'Université Paris-Saclay pour appliquer ces méthodes à des architectures photoniques concrètes, en interaction avec les activités expérimentales sur le calcul photonique à Thales TRT.

The project is situated at the interface of machine learning, nonlinear optics, and analog computing. Digital computers are universal but may be far from optimal when large streams of real-world, often optical, data must be processed under stringent energy and latency constraints [1]. Analog computing offers an alternative paradigm in which one directly exploits the natural dynamics of a carefully chosen physical system to implement a specific computation, by tuning its parameters so that its response to an input encodes the desired output.

In photonics, advances in integrated platforms now allow the fabrication of complex on-chip circuits, including waveguides and resonant structures engineered to exhibit strong optical nonlinearities. Such devices can operate at ultra-low power, making them promising substrates for computation where the nonlinear function remains in the optical domain, which is essential for all-optical processing. However, a central difficulty is how to train these systems. Backpropagation assumes full control over internal variables and bidirectional signal propagation, which is not compatible with realistic photonic circuits.

This has prompted interest in alternative learning paradigms inspired by statistical physics and theoretical neuroscience. Boltzmann machines [2] provide a prototype of a generative neural model with biologically plausible learning, and recent theoretical work suggests that noisy semiconductor laser networks can implement such machines for ultrafast sampling and classification [3]. Reservoir computing and echo-state networks [4] show how a fixed nonlinear dynamical system, driven by an input, can perform powerful computations with simple readout training, and have already been realized optoelectronically and all-optically in pioneering setups [6,7].

At the same time, Equilibrium Propagation [5] and its extension to non-conservative systems [10] offer a principled way to derive learning rules based on perturbations of physical equilibria, potentially compatible with physical implementation. Despite these advances, there is still no general theory of analog computation comparable to the formal framework of digital computing. Within this evolving landscape, the PhD will explore how physically plausible learning can be realized in realistic nonlinear photonic circuits, constrained by the properties of available devices and fabrication processes.

The main objective of the PhD is to understand and exploit physically plausible learning processes in nonlinear photonic circuits, with a focus on all-optical implementations. The project aims to determine whether such circuits, built from components available in current photonic technologies, can perform useful machine learning tasks such as sampling, generation, and classification.

A first goal is to apply and further develop learning schemes compatible with photonic hardware constraints. This includes the use of Equilibrium Propagation [5] and its recent generalization to non-conservative systems [10] as a basis for deriving learning rules that operate only on measurable optical outputs and local interactions, in contrast with backpropagation. The candidate will study how these rules can be mapped onto the accessible variables and control parameters of integrated optical circuits.

A second goal is to model complex nonlinear photonic architectures informed by existing experimental devices. The project will rely on knowledge gained from previous work on noisy semiconductor lasers used as Boltzmann machines [3], on optoelectronic and all-optical reservoir computing demonstrations [6,7], and on integrated nonlinear cavities coupled evanescently for reservoir computing [8] and high-speed fiber data recovery [9]. Using these building blocks, the candidate will construct dynamical models of circuits that can act as optical neurons and investigate their learning dynamics under physically plausible rules.

A third goal is to assess the computational capabilities and practical relevance of these systems through large-scale simulations. By simulating learning in realistic photonic circuits, the project will explore their potential efficiency and speed compared to conventional digital implementations, within the limits highlighted in recent photonics perspectives on physical computing substrates [1]. Where appropriate, the candidate will identify small-scale architectures that could be experimentally tested in collaboration with ongoing photonic computing activities, in particular at Thales TRT, and refine the models using experimental feedback.