Description

Lorsque la lumière se propage dans des milieux complexes — tels que les tissus biologiques, la peinture, les nuages ou les fibres multimodes — elle se mélange au sein d'un grand nombre de degrés de liberté, formant à la sortie un motif de speckle (Fig. 1). La réponse du système peut être entièrement décrite par une matrice de transmission (MT), en raison du caractère linéaire et déterministe de la propagation dans ces milieux. Cette matrice permet un contrôle complet de la propagation [1], et peut être utilisée pour
imager à travers des tissus biologiques fortement diffusants ou transmettre de l’information par des fibres multimodes [2]. Cependant, les perturbations extérieures ou l’évolution dynamique du milieu modifient la MT, rendant les mesures précédentes obsolètes. Lorsqu’un seul paramètre varie, il reste possible d’utiliser la MT pour déterminer des champs d’entrée minimisant ou amplifiant l’interaction avec la perturbation [3–5]. Dans les cas plus généraux, il n’est plus possible de définir ni de mesurer une MT.

Ce projet vise à combler cette lacune en développant un cadre décrivant la propagation de la lumière dans des milieux complexes dynamiques tels que celui de la Fig. 2. Comme le champ de sortie devient partiellement cohérent du fait des dynamiques internes, sa relation avec le champ d’entrée doit être décrite par des tenseurs d’ordre supérieur et exploitée via des techniques de décomposition tensorielle [5, 6]. La Fig. 2 montre comment ces outils permettent d’obtenir des approximations de rang plus faible pour modéliser le champ de sortie. L’objectif du projet est de valider, développer et exploiter ce formalisme tensoriel à travers des simulations numériques et des expériences.

Compétences requises

Le candidat est censé avoir un goût pour l’optique expérimentale, la physique des ondes et la programmation. Le projet nécessitera un usage intensif de Python pour l’interfaçage, l’acquisition de données, le post-traitement et les simulations numériques.

Bibliographie

[1] Popoff, S. M. et al. Measuring the transmission matrix in optics: An approach to the study and control of light propagation in disordered media. Phys. Rev. Lett. 104, 100601 (2010).
[2] Gigan, S. et al. Roadmap on wavefront shaping and deep imaging in complex media. J. Phys. Photonics 4, 042501 (2022).
[3] Matthès, M. W., Bromberg, Y., de Rosny, J. & Popoff, S. M. Learning and avoiding disorder in multimode fibers. Phys. Rev. X 11, 021060 (2021).
[4] Gutiérrez-Cuevas, R. et al. Characterization and exploitation of the rotational memory effect in multimode fibers. Phys. Rev. X 14, 031046 (2024).
[5] Gutiérrez-Cuevas, R., Bouchet, D., de Rosny, J. & Popoff, S. M. Reaching the precision limit with tensor-based wavefront shaping. Nat. Commun. 15, 6319 (2024).
[6] Kolda, T. G. & Bader, B. W. Tensor decompositions and applications. SIAM Review 51, 455–500 (2009)

Mots clés

Façonnage de front d’onde, milieux complexes, apprentissage automatique, optimisation non linéaire