[STAGE M1] Conception d’un réseau de neurones pour la restauration de front d'onde

De nombreuses méthodes expérimentales de caractérisation des aberrations d'un système optique existent, parmi lesquelles les plus courantes sont l'analyse de la réponse percussionnelle, et la mesure directe du front d'onde à l'aide d'analyseurs dédiés. Alors que la mesure directe du front d'onde permet assez simplement de simuler la réponse percussionnelle associée, l'inverse n'est en principe pas possible. Toutefois, à partir de la mesure de la réponse percussionnelle en plusieurs plans, des algorithmes itératifs de « restauration de la phase » par propagation inverse (Gerchberg-Saxton) restituent le front d’onde associé. Cette méthode bien établie est simple et peu coûteuse à mettre en place, mais ne donne pas toujours des résultats satisfaisants dans les conditions expérimentales, est lourde numériquement et lente. Notons que la restauration de la phase à partir de la mesure de profils d’éclairement est un problème plus large que celui de l’étude des aberrations, également rencontré en cristallographie, astronomie, holographie, etc.

Le développement et la vulgarisation des algorithmes d’intelligence artificielle tels les réseaux de neurones permet d’envisager une autre approche, par apprentissage d’un réseau de neurones dédié entraîné sur des bases d’images. C’est cette seconde approche que nous souhaitons évaluer au cours de ce stage, dans le but de développer un outil adapté à l’utilisation en travaux pratiques à l’Institut d’Optique par les élèves-ingénieurs, dans le cadre de leur formation.

• se familiariser avec l’utilisation et la programmation de réseaux de neurones, et la problématique de mesures de front d'onde
• effectuer une revue bibliographique des réseaux de neurones existants dans le contexte de la restauration de la phase,
• mettre au point un outil numérique dédié sous MatLab ou Python,
• valider la méthode avec des images obtenues sur le dispositif expérimental

Il s’agira de comprendre les paramètres d’un tel réseau, de constituer une base de données d’apprentissage pertinente à partir d’images simulées et/ou expérimentales, enfin d’évaluer la performance (exactitude, précision, taux d’erreur,…) et la rapidité de l’outil en comparaison de la méthode itérative mise en place précédemment. Une attention particulière sera portée au traitement des images expérimentales, qui présentent des défauts résiduels. 

Un rapport synthétique sur l’ensemble du travail mené sera finalement rédigé.

Handbook of Optical Systems, ed. H. Gross (Wiley-VCH)

www.fidle.cnrs.fr– formation en ligne sur les réseaux de neurones

L. Möckl, P. N. Petrov, W. E. Moerner , "Accurate phase retrieval of complex 3D point spread functions with deep residual neural networks", Appl. Phys. Lett. 115, 251106 (2019)

• niveau M1 minimum
• bonne connaissance de la programmation sous MatLab ou Python
• formation en optique de Fourier et en conception optique
• étudiant.e francophone ou anglophone

Contact : Gaëlle Lucas-Leclin            gaelle.lucas-leclin@institutoptique.fr

démarrage en mai ou juin 2023, durée 2 – 3 mois

indemnité journalière de stage ~ 27€ / jour + remboursement 50% pass Navigo

compatible avec un télétravail partiel