M. Lucas OLIVERIO soutiendra publiquement ses travaux de thèse intitulés : “Nonlinear dynamics from a laser diode with both optical injection and optical feedback for telecommunication applications”, le lundi 19 février 2024 à 10h00 dans l’Amphithéâtre de CentraleSupélec.
Membres du jury :
Rapporteur : Pr. Cristina Masoller, Universitat Politècnica de Catalunya, Espagne
Rapporteur : Dr. Marco Romanelli, Université de Rennes 1, France
Examinateur : Dr. Sylvain Barbay, Université Paris-Saclay, France
Directeur de thèse : Pr. Marc Sciamanna, CentraleSupélec, France
Co-encadrant de thèse : Pr. Damien Rontani, CentraleSupélec, France
Résumé : La croissance importante des échanges de données au niveau mondial implique des moyens physiques croissants, notamment dans les datacenters aux nœuds des réseaux de télécommunication. La complexité des données à traiter et à échanger va aussi croissante. On peut évoquer les traitements basés sur des réseaux de neurones artificiels comme le deep learning. Cela implique d’avoir de grande quantité de processeurs énergivores pour supporter ce traitement. Dans cette thèse nous travaillons sur le comportement dynamique des lasers à semiconducteurs ou diodes laser, et notamment dans une configuration en réseau de neurones artificiels appelée time-delay reservoir computer. Les diodes lasers sont des composants photoniques présents dans tous les domaines et particulièrement en télécommunication. L’étude de leurs comportements riches pour de nombreuses applications motivé ce travail de thèse. Dans cette thèse nous présentons d’abord les ressorts physiques de l’effet LASER et plus spécifiquement dans les lasers à semiconducteurs (aussi appelées diodes laser). Nous introduisons ensuite l’injection optique (OI) qui consiste à injecter la lumière d’un laser dans un second laser. Le feedback optique (OF) est ensuite introduit, cela consiste à renvoyer la lumière émise par un laser dans sa cavité avec un miroir par exemple. L’OI et le OF donne séparément naissance à des comportements dynamiques complexes et riches qui vont de la stabilisation à la déstabilisation chaotique complète en passant par de nombreux états intermédiaires de niveaux de complexité différents. La combinaison simultanée de l’OI et du OF permet d’autres applications comme les systèmes neuromorphiques photoniques basés sur une diode laser ou encore la génération d’onde micrométriques. Toutefois, les études dynamiques de l’OI et du OF simultanés demeurent limitées. Nos premiers résultats portent sur une étude de la dynamique d’une diode laser soumise à une injection optique et à un feedback optique. Nous montrons comment la combinaison simultanée de l’OI et du OF déstabilise les dynamiques induites par l’injection. Nous présentons aussi des résultats expérimentaux qui viennent compléter les prédictions numériques. Dans nos seconds résultats, nous étudions l’architecture en réseau de neurones artificiels photoniques appelée time-delay reservoir computer (TDRC). À l’aide d’un outil nommé consistance, nous étudions comment une diode laser utilisée dans un TDRC peut produire des comportements reproductibles, une des conditions nécessaires pour traiter de l’information. Nous établissons que la consistance est un outil utile pour prédire les jeux de paramètres qui permettent les meilleures performances. Nous étudions également l’impact de nombreux paramètres opérationnels du TDRC sur la consistance et donc in fine sur la prédiction de la performance du TDRC pour traiter de l’information.
Cette thèse démontre donc qu’outre son intérêt pour la dynamique non-linéaire des diodes lasers, la compréhension de l’état dynamique du laser permet une meilleure compréhension des jeux paramétriques qui permettent les meilleures performances pour des applications de traitement de l’information.
Abstract: The significant growth in data exchanges worldwide requires ever-increasing physical resources, particularly in data centres at the nodes of global telecoms networks. The complexity of the data to be processed and exchanged is also increasing. One example is processing based on artificial neural networks such as deep learning. This implies having large quantities of energy-hungry processors to support this processing. In this thesis we are working on the dynamic behaviour of laser diodes, particularly in an artificial neural network configuration called a time-delay reservoir computer. Laser diodes are photonic components used in all fields, including telecommunications, industry, spectroscopy, characterisation and astronomy. The study of their rich behaviour for numerous applications motivated this thesis work. In this thesis, we first present the physics behind the LASER effect and more specifically in semiconductor lasers (also called laser diodes). We then introduce optical injection (OI), which consists of injecting light from one laser into the cavity of a second laser for various purposes, including frequency stabilisation.
Optical feedback (OF) is then discussed, it consists of sending some or all of the light emitted by a laser back into its cavity using a mirror, for example. OF is used in particular for chaos generation and linewidth control. OI and OF separately give rise to complex and rich dynamic behaviours ranging from stabilisation to the complete chaotic destabilisation, going through numerous intermediate states of different levels of complexity. The simultaneous use of OI and OF enables other applications such as photonic neuromorphic systems or the generation of pure micrometric waves. However, dynamic studies of simultaneous OI and OF remain limited. The first part of our results concerns a study of the dynamics of a laser diode subjected to OI and OF. We show the destabilisation mechanisms induced by the combined effect of OF and OI and how the spectral properties of the laser diode are then modified. We also present experimental results that complement the numerical predictions. In the second part of this thesis, we study more specifically a photonic artificial neural network known as a time-delay reservoir computer (TDRC). Using a metric called consistency, we study how a laser diode subjected to both OI and OF used in a TDRC can produce reproducible behaviour, which is one of the necessary conditions for a system to process information. We show that consistency is an interesting metric for predicting the sets of parameters that give the best performance. This simplifies network training phases, that can be long and energy-consuming for certain artificial neural network architectures. We are also studying the impact of numerous TDRC operational parameters on consistency and therefore ultimately on the prediction of TDRC performance for processing information.
This thesis therefore demonstrates that, in addition to its interest in the nonlinear dynamics of laser diodes, understanding the dynamic state of the laser provides a better understanding of the parametric sets that enable the best performance in signal processing applications.