Data-driven Discovery of the Ideal Four Wave Mixing Modelin Nonlinear Fiber Optics

We use the machine learning technique of spars eregression to “reverseengineer” dynamical data to discover the underlying physical model of four wave mixing in nonlinear fibre optics.

projet FOURIER - Fibre et optique ultra rapide pour l’investigation d’événements rares

Machine learning for ultrafast nonlinear photonics

Recent years have seen the rapid growth of the field of smart photonics where the deployment of machine-learning strategies is the key to enhance the performance and expand the functionality of optical systems. Here, we review our recent results obtained in collaboration with the University of Aston (S. Boscolo) and the University of Franche-Comté (J.M. Dudley) by providing several examples of advances enabled by machine-learning tools such as neural networks (NNs).We describe the use of a supervised feedforward NN paradigm to solve the direct and inverse problems relating to nonlinear pulse shaping in optical fibres, bypassing the need for direct numerical solution of the governing propaga…

Etude et contrôle des portraits de phase du processus idéal de mélange à quatre ondes dans les fibres optiques

L’équation de Schrödinger non linéaire régit l’évolution des ondes dans de nombreux domaines non linéaires tels que l’hydrodynamique, la physique des plasmas, les condensats de Bose-Einstein et l’optique fibrée. Dans ce dernier cas, l’onde subit des changements dans un milieu dispersif combiné à un déphasage non linéaire dépendant de l’intensité. Le processus clé sous-jacent est le mélange à quatre ondes, qui décrit l’échange d’énergie entre des composantes de fréquence discrètes. En raison de la croissance des bandes latérales additionnelles et des pertes optiques qui limitent la distance d’interaction potentielle, il est notoirement difficile d’observer expérimentalement la dynamique idéa…

Machine learning for ultrafast nonlinear photonics