Résumé
En 2025, l’apprentissage automatique continue de révolutionner divers domaines scientifiques, avec des implications majeures en physique, notamment en photonique. L'intégration d'algorithmes d'apprentissage automatique avancés a permis des progrès significatifs dans la conception et le contrôle des systèmes photoniques, améliorant leur efficacité et leurs performances. Ces avancées sont essentielles pour le développement des technologies de communication, d’imagerie ou encore de calcul quantique. Toutefois, la recherche en physique présente de nombreux défis qui vont au-delà des simples mesures de performance : identifier des motifs et construire des modèles analytiques est souvent tout aussi crucial.
Dans cette thèse, nous appliquons des outils d’intelligence computationnelle, en particulier l’optimisation heuristique et les réseaux de neurones, afin de développer des approches orientées données pour résoudre diverses tâches en physique. Bien que centrée sur les données, notre approche reste ancrée dans la physique, cherchant toujours à comprendre les phénomènes physiques sous-jacents aux algorithmes. Les résultats de cette thèse couvrent un large éventail d’applications, allant de la conception de métasurfaces complexes et de réseaux de diffraction à l’analyse et l’interprétation de données spectrales. Nous avons également développé avec succès un optimiseur capable d’apprendre et de s’adapter aux problèmes rencontrés, notamment en physique. Cet outil clé de notre arsenal surpasse les méthodes de pointe dans nos applications. Il a notamment permis la conception d’une plaque de phase coronographique pour l’imagerie des exoplanètes, avec une performance 25 % supérieure aux meilleures solutions précédentes.
Nous avons aussi conçu un dispositif compact de déflexion de faisceau, entièrement diélectrique, fonctionnant efficacement pour toutes les polarisations, atteignant une efficacité maximale de 90 %. Partant d’une conception purement basée sur les données, nous avons pu extraire et valider un modèle analytique fondé sur le comportement d’un réseau échelette, apportant ainsi une compréhension physique de son fonctionnement. Au-delà des tâches fondées sur des simulations, nous avons également traité des données expérimentales en développant un classificateur d’origine animale de parchemins, capable de distinguer trois espèces animales avec une précision de 90 %. Cet outil offre une méthode non invasive pour les restaurateurs et historiens souhaitant analyser des matériaux historiques fragiles.
Les membres du jury
- Prof. Michaël LOBET (UNamur), Président
- Prof. Alexandre MAYER (UNamur), Secrétaire
- Dr Charlotte BEAUTHIER (CENAREO)
- Prof. Benoît FRENAY (UNamur)
- Prof. Olivier DEPARIS (UNamur)
- Prof. Denis LANGEVIN (Université de Clermont Auvergne)
- Prof. Hai Son NGUYEN (Ecole Centrale de Lyon)
