L'emploi des nanoparticules plasmoniques dans la génération de couleurs remonte à des temps
lointains, comme en témoignent des exemples tels que la coupe de Lycurgus exposée au British
Museum et les vitraux emblématiques de la célèbre rosace de la cathédrale Notre-Dame de
Paris. Dans ces oeuvres, des nanostructures métalliques ont été intégrées pour produire des effets
visuels uniques. La palette de couleurs dépend de plusieurs paramètres tels que la composition
chimique, la taille, la forme des nanostructures et leur environnement. Prédire avec précision
ces couleurs implique souvent des modèles numériques complexes qui requièrent une puissance
de calcul significative. Pour répondre à ce défi, le machine learning peut accélérer ces calculs
en développant des modèles rapides et précis, facilitant ainsi l'exploration de diverses
conditions et paramètres.
Pour ce faire, un jeu de données contenant les réponses optiques de nanoparticules métalliques
a été constitué en se basant sur la théorie de Mie ainsi que sur l’approximation des dipôles
discrets. Ces données ont ensuite été employées pour entraîner un modèle de réseau de neurones
dédié à la prédiction des couleurs. Par extension, il est possible de résoudre le problème inverse,
c'est-à-dire prédire les distributions en forme, taille et composition d'un ensemble de particules
plasmoniques qui donnent lieu à une couleur spécifique.
Date of Award | 1 Sept 2023 |
---|
Original language | French |
---|
Awarding Institution | |
---|
Supervisor | Luc Henrard (Supervisor) |
---|
DESIGN INVERSE DE LA RÉPONSE COLORIMÉTRIQUE D'UN ENSEMBLE DE
PARTICULES PLASMONIQUES GRÂCE AU DEEP LEARNING
de VRIES, N. (Author). 1 Sept 2023
Student thesis: Master types › Master in Physics, Professionnal focus in Physics and Data