Personne : Cauchon, Jonathan
En cours de chargement...
Adresse électronique
Date de naissance
Projets de recherche
Structures organisationnelles
Fonction
Nom de famille
Cauchon
Prénom
Jonathan
Affiliation
Université Laval. Département de génie électrique et de génie informatique
ISNI
ORCID
Identifiant Canadiana
ncf13683585
person.page.name
2 Résultats
Résultats de recherche
Voici les éléments 1 - 2 sur 2
Publication Accès libre Silicon photonic Bragg-based devices : hardware and software(2021) Cauchon, Jonathan; Shi, WeiL'avènement de la photonique intégrée a attiré beaucoup de recherche et d'attention industrielle au cours des deux dernières décennies, plusieurs croyant qu'il s'agit d'une révolution équivalente à la microélectronique. Tout en tirant parti des procédés de fabrication de masse hérités de la microélectronique, la photonique sur silicium est compacte, éconergitique et permet l'intégration complète de dispositifs et de circuits photoniques à l'échelle nanométrique pour des applications cruciales dans les télécommunications, la détection et le calcul optique. À l'instar des débuts de la microélectronique, les efforts de recherche actuels en photonique sur silicium sont principalement consacrés à la proposition, à la conception et la caractérisation de composants standardisés en vue d'une éventuelle intégration de masse dans des circuits photoniques. Les principaux défis associés à ce développement comprennent la complexité de la théorie électromagnétique dans le fonctionnement des dispositifs, les variations et les non-uniformités du procédé de fabrication limitant les performances, et les ressources informatiques considérables nécessaires pour modéliser avec précision des circuits photoniques complexes. Dans ce mémoire, ces trois limitations sont abordées sous forme de contributions de recherche originales. Basées sur des dispositifs photoniques sur silicium et l'apprentissage machine, les contributions de ce mémoire concernent toutes les réseaux de Bragg intégrés, dont le principe de fonctionnement de base est la réflexion optique sélective en fréquence. Premièrement, un nouveau filtre optique double-bande basé sur les réseaux de Bragg multimodes est introduit pour des applications dans les télécommunications. Deuxièmement, une nouvelle architecture de filtre accordable basée sur un coupleur contra-directionnel à étage unique avec un dispositif de micro-chauffage segmenté permettant des profils de température arbitraires démontre une accordabilité de la bande passante record et des capacités de compensation des erreurs de fabrication lorsqu'opérée par un algorithme de contrôle. Troisièmement, un modèle d'apprentissage machine basé sur un réseau de neurones artificiels est introduit et démontré pour la conception de coupleurs contra-directionnels et le diagnostic de fabrication, ouvrant la voie à la production de masse de systèmes photoniques intégrés basée sur les données.Publication Restreint BraggNet: complex photonic integrated circuit reconstruction using deep learning(IEEE, 2021-07-13) Cauchon, Jonathan; St-Yves, Jonathan; Vallée, Jean-Michel; Shi, WeiWe propose a deep learning model to reconstruct physical designs of complex coupled photonic systems, such as waveguide Bragg gratings, from their spectral responses for inverse design and fabrication diagnosis. Traditional reconstructing algorithms demand considerable computing resources at every query. Conversely, machine learning algorithms use most of the computing resources during the training process and provide effortless and orders-of-magnitude faster analysis in response to queries. This approach is demonstrated using silicon photonic grating-assisted, contra-directional couplers consisting of thousands of Bragg periods. The contra-directional couplers are modeled as coupled cavities, for which a transfer matrix model is used to generate a synthetic dataset comprising a strategic design parameter space. The free-form, architecture independent model allows to include any geometries to the design parameter space. Upon proper training, the model achieves 1.4% mean absolute percentage error on device reconstruction and thus proves suitable for inverse design applications. To further show its potential for assessment of fabricated devices, another dataset is generated to emulate the fabrication conditions of a nominal design hindered by fabrication imperfections. The model is shown to reconstruct devices from experimental measurements with greater than 600-fold improvement in speed compared to the classical layer-peeling algorithm. This proves promising for data-driven processes required by Industry 4.0.