Comment l'IA améliore les performances des fibres optiques
Omniprésentes dans les télécommunications, plébiscitées par le corps médical, les fibres optiques souffrent encore de phénomènes non-linéaires qui limitent leur efficacité. Des scientifiques sont parvenus à prédire et contrôler ces phénomènes chaotiques grâce à l'apprentissage profond. Cette avancée, publiée dans Nature Communications, promet de sécuriser et améliorer la transmission des données numériques et les dispositifs d'imagerie en temps réel.
Les fibres optiques transmettent l'information à la vitesse de la lumière sur des milliers de kilomètres. Ces propriétés leur ont permis d'être massivement déployées pour faire transiter les données informatiques, audiovisuelles ou téléphoniques mondiales. Elles ont aussi révolutionné l'imagerie médicale, les capteurs et l'éclairage d'intérieur. Pourtant, une limite perdure depuis le développement de cette technologie dans les années 1970 : l'instabilité de modulation. Ce phénomène correspond à une amplification de petites perturbations (du bruit), issues de l’interaction entre la non‑linéarité du matériau et la dispersion naturelle de la lumière. Plus l’intensité des signaux croît, plus le bruit se renforce et provoque une cascade chaotique. Les scientifiques n'étaient jusqu'ici parvenus qu'à l'atténuer marginalement.
En juillet 2025, ce paradigme est renversé. L'équipe de Benjamin Wetzel de l’Institut XLIM (CNRS/Université de Limoges), en collaboration avec l’Institut Franche-Comté électronique mécanique thermique et optique – Sciences et technologies (FEMTO-ST, CNRS/Supmicrotech ENSMM/Université Marie et Louis Pasteur/Université de technologie Belfort-Montbéliard) et l'Université Leibniz de Hanovre, a exploité la puissance de réseaux de neurones artificiels pour décoder, prédire et contrôler ces dynamiques chaotiques.
Les scientifiques ont adopté une approche consistant à injecter de faibles impulsions optiques cohérentes afin de modifier les propriétés du chaos lié à l'instabilité de modulation. Paradoxal ? Peut-être, mais ces signaux injectés sont délibérément contrôlés contrairement au bruit aléatoire de l’instabilité de modulation. Et les résultats démontrent qu’ils s’avèrent pertinent pour interférer avec le chaos et le restructurer.
Pour développer cette stratégie, l'équipe a d’abord simulé près de 100 000 scénarios grâce à l’intelligence artificielle et testé 500 configurations de bruit dans pour chacun d’entre eux. Le réseau apprend à décoder des informations cachées, camouflées par des couches de processus non-linéaires et de bruit. En parallèle, une plateforme expérimentale a testé des impulsions optiques ultra-courtes traversant plusieurs centaines de mètres de fibre optique. À la sortie, deux approches de mesure (un analyseur optique classique et une architecture de détection en temps réel) montrent l’efficacité de la méthode. Les paramètres cachés du chaos sont dévoilés et les fluctuations spectrales sont prédites avec une précision inégalée.
Ces résultats sont prometteurs sur plusieurs plans : les communications sécurisées, l'imagerie temps réel et l'optique quantique. Les non-linéarités, mieux comprises, peuvent être exploitées pour chiffrer de l'information au cœur du chaos optique. L'équipe envisage ainsi des architectures de réseaux plus sophistiquées pour transformer les fibres optiques en systèmes plus performants et plus sûrs.
© Benjamin Wetzel
Références
Deep learning prediction of noise-driven nonlinear instabilities in fibre optics.
Boussafa, Y., Sader, L., Hoang, V.T. et al.
Nat Commun 16, 7800 (2025).
https://doi.org/10.1038/s41467-025-62713-x
Article consultable sur la base d’archives ouvertes HAL