Recherche XLIM | Photonique : Avancée dans le contrôle du bruit optique grâce à l’apprentissage profond
Une avancée majeure en photocatalyse : le dioxyde de vanadium ouvre une nouvelle voie pour la conversion sélective du méthane.
Transformer efficacement le méthane à l’aide de la lumière constitue l’un des défis majeurs de la photocatalyse moderne.
Des chercheurs de l’Institut XLIM ont démontré, grâce à l’intelligence artificielle, qu’il est désormais possible de prédire et de contrôler des phénomènes optiques non linéaires complexes, jusqu’ici considérés comme imprévisibles. Ces travaux, conduits notamment dans le cadre du projet ERC STREAMLINE et d’une collaboration franco-allemande, ont été publiés dans Nature Communications, et sélectionnés dans le numéro spécial Optics & Photonics News – Optics in 2025 de Optica, qui met en lumière les avancées majeures de l’année en optique et photonique.
Illustration du concept de réseaux de neurones artificiels pour le contrôle des instabilités non linéaires en optique fibré. Copyright: Benjamin Wetzel
Cette recherche montre comment l’apprentissage profond peut décoder et même piloter les instabilités spectrales résultant de l’instabilité de modulation, un processus notoirement chaotique en optique non linéaire, et connu depuis les années 1970 pour limiter les performances des systèmes photoniques. Ce phénomène correspond à une amplification de petites perturbations (typiquement du bruit), par l’interaction entre la non linéarité du matériau et la dispersion naturelle de la lumière. Lorsque qu’une impulsion optique se propage dans une fibre, l’intensité des perturbations croit et le bruit se renforce provoquant ainsi une cascade chaotique.
En combinant réseaux de neurones et apprentissage profond sur des données expérimentales, l’équipe dirigée par Benjamin Wetzel a réussi à extraire des informations cachées dans des signaux optiques bruités et fluctuants à une cadence de 50 millions d’impulsions par seconde. Yassin Boussafa, auteur principal de l’étude, a ainsi montré qu’en injectant de faibles impulsions optiques cohérentes (à peine distinguables du bruit), il est possible de restructurer et de maîtriser ces dynamiques chaotiques. Ce niveau de contrôle, démontré expérimentalement grâce à des techniques avancées de mesure spectral en temps réel, ouvre la voie à des applications en traitement du signal optique, imagerie et communications sécurisées.
L’étude a été réalisée en partenariat avec l’Institut FEMTO-ST (CNRS/Université Marie et Louis Pasteur) et l’Université Leibniz de Hanovre (Allemagne), et a bénéficié du soutien du Conseil Européen de la Recherche (ERC – projet STREAMLINE), de l’Agence Nationale de la Recherche (ANR – projet OPTIMAL) et de la Région Nouvelle-Aquitaine (projet SPINAL).
Références:
- Boussafa, L. Sader, V. T. Hoang, B. P. Chaves, A. Bougaud, M. Fabert, A. Tonello, J. M. Dudley, M. Kues, and B. Wetzel, “Deep learning prediction of noise-driven nonlinear instabilities in fibre optics,” Nature Communications 16, 7800 (2025) https://doi.org/10.1038/s41467-025-62713-x
- Boussafa, L. Sader, V. T. Hoang, B. P. Chaves, A. Bougaud, M. Fabert, A. Tonello, J. M. Dudley, M. Kues, and B. Wetzel, “Neural Networks Decode Noise-Driven Nonlinear Fiber Dynamics,” Optics & Photonics News, 12(36), 41 (2025) – Link
Contact:
Dr. Benjamin Wetzel (benjamin.wetzel@xlim.fr)
Chargé de Recherche CNRS, Institut XLIM