• Langue : Français
• Discipline : Milieux dilués et optique fondamentale
• Identifiant : 2023ULILR058
• Type de thèse : Doctorat
• Date de soutenance : 21/12/2023

Résumé en langue originale

Dans la mythologie grecque, une chimère est une créature fantastique dont certaines parties du corps appartiennent à des animaux différents.Par analogie à cette mythologie, en physique et plus particulièrement dans l'étude des systèmes complexes discrets spatialement étendus, ces états chimères correspondent à la coexistence de deux comportements dynamiques spatio-temporels opposés.La coexistence de deux domaines l'un cohérent et l'autre incohérent dans une chaîne d'oscillateurs non-linéaires couplés en est l'exemple historique, à l'image des différentes parties du corps d'une chimère.Ces auto-organisations spatio-temporelles ont été largement étudiées théoriquement et expérimentalement. Cependant, rares sont les études menées pour explorer les liens entre ce type de dynamique et les automates cellulaires.Ces automates, malgré leur simplicité, possèdent des propriétés dynamiques remarquables et, par conséquent, représentent un des socles de la théorie d'information.Pour répondre à cette problématique, nous avons considéré des états chimères obtenus dans une chaîne de résonateurs optiques identiques couplés.Ces structures ont alors fait l'objet d'analyses quantitatives et qualitatives par les mêmes outils que ceux utilisés pour caractériser les automates cellulaires.Cela nous a permis de mettre en évidence une dynamique de type automate cellulaire élémentaire cachée dans l'évolution de nos états chimères.Nous avons alors été en mesure de déduire, un ensemble de propriétés en terme de calculabilité, ouvrant des perspectives vers des potentielles applications pour le traitement de l'information.Par la suite, nous avons utilisé nos états chimères optiques dans le cadre des réseaux de neurones récurrents.Il s'agit d'un nouveau paradigme, qui se distingue par sa grande simplicité, sa rapidité ainsi que son efficacité incontournable dans le traitement de l'information.Cependant, les performances de cette technique d'apprentissage automatique, dépendent notamment du design du réservoir.Nos résultats montrent que l'implémentation de nos états chimères optiques au lieu des réservoirs ‘classiques', peut fournir une alternative architecturale prometteuse permettant d'améliorer davantage la vitesse du traitement d'information.

Résumé traduit

In Greek mythology, a chimera is a fantastic creature whose body parts belong to different animals.By analogy with this mythology, in physics and more particularly in the study of spatially extended discrete complex systems, these chimera states correspond to the coexistence of two opposing spatio-temporal dynamic behaviors.The coexistence of two domains, one coherent and the other incoherent in a chain of coupled non-linear oscillators is the historical example, like the different parts of the body of a chimera.These spatio-temporal self-organizations have been widely studied theoretically and experimentally.However, few studies have been carried out to explore the links between this type of dynamics and cellular automata.These automata, despite their simplicity, have remarkable dynamic properties and, consequently, represent one of the foundations of information theory.To answer this problem, we considered chimera states obtained in a chain of identical coupled optical resonators.These structures were then the subject of quantitative and qualitative analyzes using the same tools as those used to characterize cellular automata.This allowed us to highlight an elementary cellular automaton type dynamic hidden in the evolution of our chimera states.We were then able to deduce a set of properties in terms of computability, opening perspectives towards potential applications for information processing.Subsequently, we used our optical chimera states in the context of recurrent neural networks.This is a new paradigm, which stands out for its great simplicity, speed and essential efficiency in the processing of information.However, the performance of this machine learning technique depends in particular on the design of the reservoir.Our results show that the implementation of our optical chimeric states instead of 'classic' reservoirs can provide a promising architectural alternative to further improve the speed of information processing.