Thèse : Modèles performants pour les systèmes nanophotoniques : optimisation des représentations compactes et apprentissage profond guidé par la physique.
- Candidat·e :
- Sofia Ponomareva
- Date :
- 30 novembre 2026 16:30
- Lieu :
- LAAS-CNRS - Salle Europe 7 avenue du colonel Roche 31077 TOULOUSE Cedex 4
- Unités :
- photo / CEMES
- Délivré par :
- UPS, Science de la Matière
- Mots clefs :
Composition du jury
- Directeur·ice·s :
- Arnaud Arbouet, DR, Univ. Bordeaux
Peter Wiecha, LAAS-CNRS - Rapporteur·ice·s :
- Philipp Del Hougne, PhD, IETR Rennes
Wenshan Cai, Prof, Georgia Tech, USA - Examinateur·ice·s :
- Gérard Colas des Francs, Prof, Univ. Bourgogne
Pierre Renucci, Prof, INSA Toulouse
Valentina Krachmalnicoff, PhD, ESPCI Paris
Résumé
Les dispositifs nanophotoniques, dont le fonctionnement repose sur les interactions lumière–matière à l'échelle nanométrique, offrent un degré de liberté élevé pour façonner la propagation de la lumière. Cette flexibilité s'accompagne toutefois d'un défi computationnel considérable lors de la modélisation de nanostructures vastes et complexes. C'est pourquoi les méthodes numériques permettant d'obtenir des modèles compacts tout en préservant les effets physiques essentiels présentent un intérêt particulier. L'objectif de cette thèse est d'obtenir des représentations efficaces de systèmes optiques par des approches hybrides combinant des méthodes pilotées par les données (data-driven) avec des lois physiques connues, en tirant parti des forces complémentaires des deux paradigmes. La première contribution développe une méthode d'apprentissage profond informée par la physique, permettant de reconstruire une représentation des interactions avec un système nano-optique inconnu à partir de seules mesures d'intensité en champ lointain. Les « fonctions de Green neuronales » ainsi apprises permettent de modéliser des particules arbitraires en interaction avec l'environnement caractérisé. La deuxième contribution présente un cadre d'optimisation permettant de dériver des modèles compacts mais précis de nanostructures, fondé sur la méthode de la matrice de polarisabilité globale (Global Polarizability Matrix). En combinant des représentations neuronales, une optimisation par gradient et une technique d'élagage gloutonne (greedy pruning), ce cadre fournit des représentations capables de capturer les interactions en champ proche entre structures voisines, tout en permettant l'optimisation à l'échelle complète de grands ensembles de diffuseurs. Enfin, afin de réduire le coût computationnel élevé de la génération de données d'entraînement pour des modèles décrivant la réponse optique de grands assemblages de diffuseurs, cette thèse propose une approche d'apprentissage profond pilotée par la physique qui minimise le recours à des simulations coûteuses en imposant le formalisme des dyadiques de Green aux prédictions du réseau de neurones.
Abstract
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.