Les dispositifs nanophotoniques, dont le fonctionnement repose sur les interactions lumière-matière à l'échelle nanométrique, offrent un haut degré de liberté pour façonner la propagation de la lumière. Cette flexibilité s'accompagne cependant d'un défi computationnel majeur lors de la modélisation de nanostructures complexes et étendues. Par conséquent, les méthodes numériques capables de fournir des modèles compacts tout en conservant les effets physiques essentiels suscitent un intérêt particulier.
L'objectif de cette thèse est d'obtenir des représentations efficaces des systèmes optiques grâce à des approches hybrides combinant des méthodes basées sur les données et des lois physiques établies, exploitant ainsi les avantages complémentaires de ces deux paradigmes.
La première contribution développe une méthode d'apprentissage profond informée par la physique pour reconstruire une représentation des interactions avec un système nano-optique inconnu, à partir de mesures d'intensité en champ lointain uniquement. Les fonctions de Green neuronales apprises permettent de modéliser des particules arbitraires interagissant avec l'environnement caractérisé.
La deuxième contribution présente un cadre d'optimisation pour obtenir des modèles compacts et précis de nanostructures en utilisant la méthode de la Matrice de Polarisabilité Globale. En combinant des représentations neuronales, une optimisation basée sur les gradients et une technique d'élagage glouton, ce cadre fournit des représentations capables de capturer les interactions en champ proche entre structures voisines tout en permettant une optimisation à grande échelle d'ensembles de diffuseurs.
Enfin, pour réduire le coût de calcul élevé de la génération de données d'entraînement pour les modèles décrivant la réponse optique de grands ensembles de particules diffusantes, cette thèse propose une approche d'apprentissage profond guidée par la physique. Celle-ci minimise le besoin de simulations coûteuses en imposant le formalisme dyadique de Green aux prédictions d'un réseau de neurones.
|
Nanophotonic devices, whose operation relies on light–matter interactions at the nanoscale, offer a high degree of freedom for shaping light propagation. This flexibility, however, comes with a significant computational challenge when modeling large and complex nanostructures. Therefore, numerical methods that provide compact models while retaining essential physical effects are of particular interest.
The aim of this thesis is to obtain efficient representations of optical systems through hybrid approaches that combine data-driven methods with known physical laws, leveraging the complementary strengths of both paradigms.
The first contribution develops a physics-informed deep learning method to reconstruct a representation of interactions with an unknown nano-optical system from far-field intensity measurements alone. The learned "Neural Green's functions" enable modeling of arbitrary particles interacting with the characterized environment.
The second contribution presents an optimization framework to derive compact yet accurate models of nanostructures based on the Global Polarizability Matrix method. By combining neural representations, gradient-based optimization, and a greedy pruning technique, the framework provides representations that are able to capture near-field interactions between neighboring structures while enabling full-scale optimization of large ensembles of scatterers.
Finally, to reduce the high computational cost of generating training data for models describing the optical response of large scattering assemblies, this thesis proposes a physics-driven deep learning approach that minimizes the need for expensive simulations by imposing Green’s dyadic formalism on neural network predictions.
|