Year: 2020
Type: dissertation
Abstract: Je remercie tout d'abord ma directrice de recherche, Gabriela Nicolescu, pour m'avoir donné l'occasion de diriger ce projet de recherche, ainsi que le post-doctorant Felipe Gohring de Magalhaes pour m'avoir aidée et guidée.Je tiens aussi à remercier les membres du jury Mr Guy Bois et Mr Tarek Ould-Bachir pour avoir accepté d'examiner mon travail.Je souhaite exprimer ma reconnaissance envers l'organisme FRQNT pour m'avoir financée et, par la même, offert la possibilité de produire un travail de recherche.Je remercie mes collègues de laboratoire pour m'avoir conseillée mais aussi faite rire durant ces deux années.Finalement, je souhaite remercier ma famille et mes amis pour m'avoir soutenue tout au long de mon mémoire.vii RÉSUMÉ Les algorithmes d'apprentissage profond sont des éléments clés d'interconnection des objets du 21 ème siècle.Ils permettent de traiter de grand ensembles de données rapidement et de manière automatique.Cependant, la quantité de données à notre disposition ne fait qu'augmenter, et avec elle la latence et la consommation d'énergie de ces algorithmes.Avec la fin de la loi de Moore, l'application du Deep Learning sur ordinateur électronique devient un défis important à relever.La photonique, permettant une grande puissance de calcul et le traitement de données à haute vitesse, apparait comme une potentielle alternative.Nous étudions donc la possibilité de reproduire les différentes fonctions d'un algorithme d'apprentissage profond avec des composants optiques.Ces fonctions peuvent être résumées en quatre catégories :1. Pré-traitement des données d'entrée 2. Propagation avant des données 3. Analyse des données en sortie 4. Optimisation du réseau de neurones Une première étape vers l'utilisation de réseaux optiques d'apprentissage profond, et l'objectif de ce mémoire, est la production de circuits optiques conçus pour une tâche précise, telle que la reconnaissance d'images.Nous nous retrouvons donc dans le cas de figure suivant : le pré-traitement des données d'entrées est effectué en dehors du réseau optique, et permet, en partie, la conversion des données d'entrée en signaux optiques.L'analyse des données en sortie est exécutée en dehors du circuit, grâce à un photodétecteur qui permet de transformer la lumière en une grandeur mesurable.L'optimisation du réseau de neurones se fait quant à elle au préalable de la fabrication du réseau optique, sur un ordinateur électronique conventionnel.Une fois optimisé, le réseau de neurones doit pouvoir être reproduit avec des composants optiques à partir des résultats obtenus.Dans le cas d'un perceptron multicouches, la propagation des données à travers le réseau de neurones combine deux principales opérations :1. La multiplication matricielle 2. La fonction d'activation viii La faisabilité de la multiplication matricielle optique a déjà été démontrée par le biais d'interféromètres de Mach-Zendher.La fonction d'activation quant à elle est plus complexe à reproduire optiquement de part sa non-linéarité.Dans ce mémoire, nous proposons en premier lieu une méthodologie pour optimiser un réseau de neurones composé de fonctions entièrement réalisables optiquement.Ensuite, nous suggérons l'utilisation de fonctions polynomiales optiques comme fonctions d'activation.Finalement, nous utilisons la méthodologie choisie pour expérimenter ces différentes fonctions d'activations polynomiales et étudier leur capacité à remplacer les fonctions d'activations originelles.Nous effectuons différents tests en utilisant l'architecture simple d'un perceptron multicouches: un test de classification de données et un test de classification d'images.Dans le premier cas, nous obtenons des résutlats similaires à ce qu'un algorithme traditionnel pourrait trouver.Ce n'est pas le cas pour le deuxième test.Il semblerait qu'une architecture plus complexe soit nécessaire pour une reconnaissance d'images effective.En effet, avec l'utilisation de réseaux convolutionnels, nous obtenons des résultats supérieurs à ceux des réseaux de neurones optiques de l'état de l'art.Les fonctions polynomiales semblent être une bonne alternatives aux fonctions d'activations déjà existantes et peuvent être introduites dans un réseau de neurones optiques.L'implémentation complète de réseaux optiques convolutionnels reste encore en phase de développement.Elle est la prochaine étape essentielle à la production de réseaux de neurones optiques efficaces pour la reconnaissance d'images.
Author: Océane Destras
Institution: Polytechnique Montréal
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W3158698022
