Les composants optoélectroniques sont de plus en plus utilisés dans les systèmes micro-ondes. Les liaisons par fibres optiques, permettent par exemple une réduction significative de la taille et de la masse des systèmes de distribution de signaux à bord des systèmes embarqués (avion, satellite, radar,&). Cependant, les performances de ces systèmes dépendent des performances des dispositifs utilisés pour les conversions électrique/optique et optique/électrique, de la technique de modulation optique choisie, des amplificateurs micro-ondes utilisés, de la qualité de la fibre optique et, finalement, de la topologie choisie pour réaliser le système entier. Ceci explique l'importance de développer une approche de modélisation efficace pour ces systèmes. Cette thèse nous a permis de développer une telle approche basée sur un logiciel de simulation de circuits hyperfréquences, comprenant différentes méthodes d'analyse des systèmes non-linéaires (dont la balance harmonique) et du bruit dans ces systèmes (conversion de bruit entre les harmoniques). L'originalité de ce travail consiste en l'utilisation de ce logiciel pour simuler des composants optoélectroniques, qui sont décrits par des équivalents électriques ou mathématiques. Grâce à cette étude, nous avons pu modéliser dans un premier temps une liaison optique utilisant un modulateur de Mach-Zehnder et incluant les différentes composantes de bruit du système. Un modèle est également proposé pour un discriminateur de fréquence micro-ondes à ligne à retard optique et enfin pour un discriminateur de fréquence optique. Sur la base de cette étude, un discriminateur de fréquence micro-onde utilisant une ligne à retard optique de plusieurs kilomètres a été conçu et réalisé. Ce système présente des performances en bruit de phase à l'état de l'art.

Ce travail contribue au programme de recherche et de développement d'un capteur CMOS à pixel qui pourrait satisfaire pleinement les spécifications du nouvel ITS (Inner Tracking System : trajectomètre interne) de l'expérience ALICE. Afin de briser les limites de la CPS de pointe, une technologie CMOS 0.18 µm à quatre puits a été explorée. Les capteurs fabriqués dans cette nouvelle technologie ont montré une meilleure tolérance aux radiations que les capteurs réalisés dans une technologie CMOS 0.35 µm plus ancienne. En outre, cette nouvelle technologie offre la possibilité d’implémenter des transistors de type P dans chaque pixel sans dégrader la capacité de collection de la diode. Il devient donc possible d’intégrer un discriminateur dans chaque pixel et obtenir un pixel à sortie binaire. En conséquence, la consommation sera largement réduite. De plus, le temps de traitement de la ligne peut être potentiellement réduit. Un premier prototype de petite taille, intitulé AROM-0, a été conçu et fabriqué afin d’étudier la faisabilité de la discrimination de signal dans un petit pixel. Dans ce prototype, chaque pixel de surface 22 × 33 µm2 contient une diode de détection, un préamplificateur et un discriminateur à tension d’offset compensée. La performance de bruit des différentes versions de pixels dans le capteur AROM-0 a été évaluée. Ensuite sera détaillé le développement des capteurs AROM-1. Ce sont les capteurs intermédiaires vers le capteur final proposé par notre groupe. Ils ont deux objectifs principaux, l’un est de valider les optimisations de conception du pixel et l’autre est de mettre en place une architecture du capteur évolutive intégrant l’intelligence nécessaire dans le circuit. Cette thèse présente en détail la conception et les résultats de mesure de ces capteurs AROM. / This work is part of the R&D program aimed for a CMOS pixel sensor (CPS) complying with the requirements of the upgrade of the inner tracking system (ITS) of the ALICE experiment. In order break the limitations of the state-of-the-art CPS, a 0.18 µm quadruple-well CMOS process was explored. Besides an enhanced radiation tolerance, with respect to the former sensors fabricated in a 0.35 µm process, the sensor based on this new process allows for full CMOS capability inside the pixel without degradation of the detection efficiency. Therefore, the signal discrimination, which was formerly performed at the column level, can be integrated inside the pixel. As a result, the readout speed and power consumption can be greatly improved as compared to the CPS with column-level discrimination. This work addresses the feasibility study of achieving the signal discrimination withina small pixel (i.e. 22 × 33 µm2), via the prototype named AROM-0. The pixel of AROM-0 contains a sensing diode, a pre-amplifier and an offset compensated discriminator. The noise performance of the various pixel versions implemented in AROM-0 was evaluated. The study was further pursued with the AROM-1 prototypes, incorporating the optimized pixel designs and the necessary on-chip intelligence to approach the final sensor we have proposed for the ALICE-ITS upgrade. This thesis presents in detail the design and the measurement results of these AROM sensors.

Ces dernières années, le domaine de l’apprentissage profond a connu des progrès énormes dans des applications allant de la génération d’images, détection d’objets, modélisation du langage à la réponse aux questions visuelles. Les approches classiques telles que l’apprentissage supervisé nécessitent de grandes quantités de données étiquetées et spécifiques à la tâches. Cependant, celles-ci sont parfois coûteuses, peu pratiques, ou trop longues à collecter. La modélisation efficace en données, qui comprend des techniques comme l’apprentissage few-shot (à partir de peu d’exemples) et l’apprentissage self-supervised (auto-supervisé), tentent de remédier au manque de données spécifiques à la tâche en exploitant de grandes quantités de données plus “générales”. Les progrès de l’apprentissage profond, et en particulier de l’apprentissage few-shot, s’appuient sur les benchmarks (suites d’évaluation), les métriques d’évaluation et les jeux de données, car ceux-ci sont utilisés pour tester et départager différentes méthodes sur des tâches précises, et identifier l’état de l’art. Cependant, du fait qu’il s’agit de versions idéalisées de la tâche à résoudre, les benchmarks sont rarement équivalents à la tâche originelle, et peuvent avoir plusieurs limitations qui entravent leur rôle de sélection des directions de recherche les plus prometteuses. De plus, la définition de métriques d’évaluation pertinentes peut être difficile, en particulier dans le cas de sorties structurées et en haute dimension, telles que des images, de l’audio, de la parole ou encore du texte. Cette thèse discute des limites et des perspectives des benchmarks existants, des fonctions de coût (training losses) et des métriques d’évaluation (evaluation metrics), en mettant l’accent sur la modélisation générative - les Réseaux Antagonistes Génératifs (GANs) en particulier - et la modélisation efficace des données, qui comprend l’apprentissage few-shot et self-supervised. La première contribution est une discussion de la tâche de modélisation générative, suivie d’une exploration des propriétés théoriques et empiriques des fonctions de coût des GANs. La deuxième contribution est une discussion sur la limitation des few-shot classification benchmarks, certains ne nécessitant pas de généralisation à de nouvelles sémantiques de classe pour être résolus, et la proposition d’une méthode de base pour les résoudre sans étiquettes en phase de testing. La troisième contribution est une revue sur les méthodes few-shot et self-supervised de détection d’objets , qui souligne les limites et directions de recherche prometteuses. Enfin, la quatrième contribution est une méthode efficace en données pour la description de vidéo qui exploite des jeux de données texte et vidéo non supervisés. / In recent years, the field of deep learning has seen tremendous progress for applications ranging from image generation, object detection, language modeling, to visual question answering. Classic approaches such as supervised learning require large amounts of task-specific and labeled data, which may be too expensive, time-consuming, or impractical to collect. Data-efficient methods, such as few-shot and self-supervised learning, attempt to deal with the limited availability of task-specific data by leveraging large amounts of general data. Progress in deep learning, and in particular, few-shot learning, is largely driven by the relevant benchmarks, evaluation metrics, and datasets. They are used to test and compare different methods on a given task, and determine the state-of-the-art. However, due to being idealized versions of the task to solve, benchmarks are rarely equivalent to the original task, and can have several limitations which hinder their role of identifying the most promising research directions. Moreover, defining meaningful evaluation metrics can be challenging, especially in the case of high-dimensional and structured outputs, such as images, audio, speech, or text. This thesis discusses the limitations and perspectives of existing benchmarks, training losses, and evaluation metrics, with a focus on generative modeling—Generative Adversarial Networks (GANs) in particular—and data-efficient modeling, which includes few-shot and self-supervised learning. The first contribution is a discussion of the generative modeling task, followed by an exploration of theoretical and empirical properties of the GAN loss. The second contribution is a discussion of a limitation of few-shot classification benchmarks, which is that they may not require class semantic generalization to be solved, and the proposal of a baseline method for solving them without test-time labels. The third contribution is a survey of few-shot and self-supervised object detection, which points out the limitations and promising future research for the field. Finally, the fourth contribution is a data-efficient method for video captioning, which leverages unsupervised text and video datasets, and explores several multimodal pretraining strategies.