. "2020" . "Couplage diffractif pour r\u00E9seaux de neurones optiques" . . "Text" . "R\u00E9seaux neuronaux photoniques" . "R\u00E9seau spatio-temporel" . . . "Diffractive coupling for optical neural networks" . . . . . . . "Les r\u00E9seaux photoniques \u00E0 haute performance peuvent \u00EAtre consid\u00E9r\u00E9s comme des supports pour les futurs syst\u00E8mes de calcul. Contrairement \u00E0 l'\u00E9lectronique, les syst\u00E8mes photoniques offrent des avantages int\u00E9ressants, par exemple la possibilit\u00E9 de r\u00E9aliser des r\u00E9seaux compl\u00E8tement parall\u00E8les. R\u00E9cemment, les r\u00E9seaux de neurones ont attir\u00E9 l'attention de la communaut\u00E9 photonique. L'une des difficult\u00E9s les plus importantes, en mati\u00E8re de r\u00E9seaux photoniques parall\u00E8les \u00E0 grande \u00E9chelle, est la r\u00E9alisation des connexions. La diffraction est exploit\u00E9e ici comme m\u00E9thode pour traiter les connexions entre les n\u0153uds (couplage) dans les r\u00E9seaux de neurones optiques. Dans cette th\u00E8se, nous \u00E9tudions l'extensibilit\u00E9 d'un couplage diffractif en d\u00E9tails de la fa\u00E7on suivante :Tout d'abord, nous commen\u00E7ons par une introduction g\u00E9n\u00E9rale \u00E0 propos de l'intelligence artificielle, de l'apprentissage machine, des r\u00E9seaux de neurones artificiels et des r\u00E9seaux de neurones photoniques. Lors de la conception d'un r\u00E9seau neuronal fonctionnel, les r\u00E8gles de l'apprentissage machine sont des \u00E9l\u00E9ments essentiels pour optimiser une configuration et ainsi obtenir une faible erreur du syst\u00E8me, donc les r\u00E8gles de l'apprentissage sont introduites (chapitre 1). Nous \u00E9tudions les concepts fondamentaux du couplage diffractif dans notre r\u00E9servoir spatio-temporel. Dans ce cas, la th\u00E9orie de la diffraction est expliqu\u00E9e. Nous utilisons un sch\u00E9ma analytique pour fournir les limites en termes de taille des r\u00E9seaux diffractifs, qui font partie int\u00E9grante de notre r\u00E9seau neuronal photonique (chapitre 2). Les concepts du couplage diffractif sont \u00E9tudi\u00E9s exp\u00E9rimentalement dans deux exp\u00E9riences diff\u00E9rentes afin de confirmer les limites obtenues analytiquement, et pour d\u00E9terminer le nombre maximum de n\u0153uds pouvant \u00EAtre coupl\u00E9s dans le r\u00E9seau photonique (Chapitre 3). Les simulations num\u00E9riques d'une telle exp\u00E9rience sont bas\u00E9es sur deux sch\u00E9mas diff\u00E9rents pour calculer num\u00E9riquement la taille maximale du r\u00E9seau, qui approche une surface de 100 mm2 (chapitre 4). Enfin, l'ensemble du r\u00E9seau neuronal photonique est d\u00E9montr\u00E9. Nous concevons un r\u00E9servoir spatialement \u00E9tendu sur 900 n\u0153uds. En cons\u00E9quence, notre syst\u00E8me g\u00E9n\u00E9ralise la pr\u00E9diction pour la s\u00E9quence chaotique de Mackey-Glass (chapitre 5)." . "Diffraction" . "Th\u00E8ses et \u00E9crits acad\u00E9miques" . . . . . "R\u00E9seaux optiques" . . "Photonic networks with high performance can be considered as substrates for future computing systems. In comparison with electronics, photonic systems have substantial privileges, for instance the possibility of a fully parallel implementation of networks. Recently, neural networks have moved into the center of attention of the photonic community. One of the most important requirements for parallel large-scale photonic networks is to realize the connectivities. Diffraction is considered as a method to process the connections between the nodes (coupling) in optical neural networks. In the current thesis, we evaluate the scalability of a diffractive coupling in more details as follow:First, we begin with a general introductions for artificial intelligence, machine learning, artificial neural network and photonic neural networks. To establish a working neural network, learning rules are an essential part to optimize a configuration for obtaining a low error from the system, hence learning rules are introduced (Chapter 1). We investigate the fundamental concepts of diffractive coupling in our spatio-temporal reservoir. In that case, theory of diffraction is explained. We use an analytical scheme to provide the limits for the size of diffractive networks which is a part of our photonic neural network (Chapter 2). The concepts of diffractive coupling are investigated experimentally by two different experiments to confirm the analytical limits and to obtain maximum number of nodes which can be coupled in the photonic network (Chapter 3). Numerical simulations for such an experimental setup is modeled in two different schemes to obtain the maximum size of network numerically, which approaches a surface of 100 mm2 (Chapter 4). Finally, the complete photonic neural network is demonstrated. We design a spatially extended reservoir for 900 nodes. Consequently, our system generalizes the prediction for the chaotic Mackey\u2013Glass sequence (Chapter 5)." . "R\u00E9seaux neuronaux (informatique)" . "R\u00E9seaux de diffraction" . "Couplage" . . . . . "Couplage diffractif pour r\u00E9seaux de neurones optiques" .