Les nouvelles techniques d'optimisation comme la conception inversée en nanophotonique promettent de réduire passablement la taille des composants photoniques en silicium sans que leurs fonctionnalités et leur performance en souffrent. Cependant, les techniques de ce genre produisent des modèles individuels que caractérise un grand nombre de variables, si bien que leur conception nécessite des calculs complexes. Les outils d'IA permettent d'identifier les motifs dans l'espace multidimensionnel par analyse du jeu de données découlant de la simulation du modèle. Ensuite, les motifs qui ont été identifiés guident la recherche d'un modèle plus performant et nous éclairent sur le comportement de l'espace conceptuel, en général, de manière à en révéler les particularités et les limites. On examinera comment diverses méthodes d'apprentissage automatique permettent d'identifier les motifs de ce genre, principalement en vue de la conception de dispositifs dans le plan, tels les (dé)multiplexeurs de mode et de fréquence. Le projet est une collaboration entre l'Université McGill et le CNRC. La première offrira son expertise en conception de dispositifs et de circuits intégrés en photonique, tandis que le second dispensera son savoir-faire en apprentissage machine et en photonique.
Équipe
Odile Liboiron-Ladouceur (Ph. D.)
Odile Liboiron-Ladouceur est titulaire de la chaire de recherche du Canada sur les interconnexions photoniques à l'Université McGill. Elle travaille actuellement au développement d'architectures d'interconnexion à haut rendement énergétique qui recourent aux technologies photoniques (ou optiques) pour intégrer des dispositifs. De telles architectures autoriseront le transfert des données à la vitesse de la lumière. Mme Liboiron-Ladouceur est reconnue dans le monde entier comme une expérimentaliste qui met au point les prototypes de nouveaux dispositifs photoniques et sous-systèmes de transmission des données intégrés dont elle souhaite vérifier l'exactitude du concept.
Plus sur Mme Liboiron-Ladouceur (anglais seulement).
Yuri Grinberg (Ph. D.)
Yuri Grinberg est agent de recherches associé au Conseil national de recherches du Canada. Il est également un expert dans la théorie de l'apprentissage automatique et de l'apprentissage par renforcement et leurs applications. Il s'intéresse principalement à faire progresser encore plus l'apprentissage automatique pour résoudre des problèmes en physique et en génie. Plus précisément, il élabore des méthodes d'IA qui serviront à concevoir des composants photoniques efficaces, à faible empreinte environnementale et de fabrication facile, nécessitant considérablement moins d'efforts de la part de l'être humain.
Plus sur les recherches de M. Grinberg (anglais seulement) et ses publications (anglais seulement).
Dan-Xia Xu (Ph.D.)
Dan-Xia Xu est agente principale de recherches au Conseil national de recherches du Canada, membre de la Société royale du Canada, membre de la Optical Society et professeure auxiliaire à l’Université Carleton. Ses travaux de recherche portent sur la photonique au silicium pour les communications optiques, la thermométrie photonique, la détection moléculaire et plus encore. Elle a dirigé des travaux avant-gardistes axés sur l’ingénierie des contraintes des matériaux de revêtement utilisés pour le contrôle de la polarisation des composants photoniques, ainsi que sur les systèmes de biocapteurs à haute sensibilité utilisant des résonateurs spiralés à fil de silicium. Un des champs d’intérêt qui retiennent actuellement son attention porte sur la transformation de la conception photonique et du cycle de découverte conventionnels par l’utilisation de l’intelligence artificielle (IA) et de l’apprentissage machine (AM). Le but de ces travaux est de créer des méthodes computationnelles qui s’appuient sur l’IA/AM pour venir suppléer les connaissances et l’intuition des concepteurs, accélérer le processus de conception photonique et permettre la découverte de façon autonome de conceptions non intuitives de haute performance.
Plus sur Dan-Xia Xu.