Organic distributed feedback laser to monitor solvent extraction upon thermal annealing in solution-processed polymer films

Solution-processed polymer films are used in multiple technological applications. The presence of residual solvent in the film, as a consequence of the preparation method, affects the material properties, so films are typically subjected to post-deposition thermal annealing treatments aiming at its elimination. Monitoring the amount of solvent eliminated as a function of the annealing parameters is important to design a proper treatment to ensure complete solvent elimination, crucial to obtain reproducible and stable material properties and therefore, device performance. Here we demonstrate, for the first time to our knowledge, the use of an organic distributed feedback (DFB) laser to monitor with high precision the amount of solvent extracted from a spin-coated polymer film as a function of the thermal annealing time. The polymer film of interest, polystyrene in the present work, is doped with a small amount of a laser dye as to constitute the active layer of the laser device and deposited over a reusable DFB resonator. It is shown that solvent elimination translates into shifts in the DFB laser wavelength, as a consequence of changes in film thickness and refractive index. The proposed method is expected to be applicable to other types of annealing treatments, polymer-solvent combinations or film deposition methods, thus constituting a valuable tool to accurately control the quality and reproducibility of solution-processed polymer thin films.

Designing Regularizers and Architectures for Recurrent Neural Networks

Cette thèse contribue a la recherche vers l'intelligence artificielle en utilisant des méthodes connexionnistes. Les réseaux de neurones récurrents sont un ensemble de modèles séquentiels de plus en plus populaires capable en principe d'apprendre des algorithmes arbitraires. Ces modèles effectuent un apprentissage en profondeur, un type d'apprentissage machine. Sa généralité et son succès empirique en font un sujet intéressant pour la recherche et un outil prometteur pour la création de l'intelligence artificielle plus générale. Le premier chapitre de cette thèse donne un bref aperçu des sujets de fonds: l'intelligence artificielle, l'apprentissage machine, l'apprentissage en profondeur et les réseaux de neurones récurrents. Les trois chapitres suivants couvrent ces sujets de manière de plus en plus spécifiques. Enfin, nous présentons quelques contributions apportées aux réseaux de neurones récurrents. Le chapitre \ref{arxiv1} présente nos travaux de régularisation des réseaux de neurones récurrents. La régularisation vise à améliorer la capacité de généralisation du modèle, et joue un role clé dans la performance de plusieurs applications des réseaux de neurones récurrents, en particulier en reconnaissance vocale. Notre approche donne l'état de l'art sur TIMIT, un benchmark standard pour cette tâche. Le chapitre \ref{cpgp} présente une seconde ligne de travail, toujours en cours, qui explore une nouvelle architecture pour les réseaux de neurones récurrents. Les réseaux de neurones récurrents maintiennent un état caché qui représente leurs observations antérieures. L'idée de ce travail est de coder certaines dynamiques abstraites dans l'état caché, donnant au réseau une manière naturelle d'encoder des tendances cohérentes de l'état de son environnement. Notre travail est fondé sur un modèle existant; nous décrivons ce travail et nos contributions avec notamment une expérience préliminaire.

Fault development and interaction in distributed strike-slip shear zones: an experimental approach

Analogue model experiments using both brittle and viscous materials were performed to investigate the development and interaction of strike-slip faults in zones of distributed shear deformation. At low strain, bulk dextral shear deformation of an initial rectangular model is dominantly accommodated by left-stepping, en echelon strike-slip faults (Riedel shears, R) that form in response to the regional (bulk) stress field. Push-up zones form in the area of interaction between adjacent left-stepping Riedel shears. In cross sections, faults bounding push-up zones have an arcuate shape or merge at depth. Adjacent left-stepping R shears merge by sideways propagation or link by short synthetic shears that strike subparallel to the bulk shear direction. Coalescence of en echelon R shears results in major, through-going faults zones (master faults). Several parallel master faults develop due to the distributed nature of deformation. Spacing between master faults is related to the thickness of the brittle layers overlying the basal viscous layer. Master faults control to a large extent the subsequent fault pattern. With increasing strain, relatively short antithetic and synthetic faults develop mostly between old, but still active master faults. The orientation and evolution of the new faults indicate local modifications of the stress field. In experiments lacking lateral borders, closely spaced parallel antithetic faults (cross faults) define blocks that undergo clockwise rotation about a vertical axis with continuing deformation. Fault development and fault interaction at different stages of shear strain in our models show similarities with natural examples that have undergone distributed shear.

Designing Regularizers and Architectures for Recurrent Neural Networks

Cette thèse contribue a la recherche vers l'intelligence artificielle en utilisant des méthodes connexionnistes. Les réseaux de neurones récurrents sont un ensemble de modèles séquentiels de plus en plus populaires capable en principe d'apprendre des algorithmes arbitraires. Ces modèles effectuent un apprentissage en profondeur, un type d'apprentissage machine. Sa généralité et son succès empirique en font un sujet intéressant pour la recherche et un outil prometteur pour la création de l'intelligence artificielle plus générale. Le premier chapitre de cette thèse donne un bref aperçu des sujets de fonds: l'intelligence artificielle, l'apprentissage machine, l'apprentissage en profondeur et les réseaux de neurones récurrents. Les trois chapitres suivants couvrent ces sujets de manière de plus en plus spécifiques. Enfin, nous présentons quelques contributions apportées aux réseaux de neurones récurrents. Le chapitre \ref{arxiv1} présente nos travaux de régularisation des réseaux de neurones récurrents. La régularisation vise à améliorer la capacité de généralisation du modèle, et joue un role clé dans la performance de plusieurs applications des réseaux de neurones récurrents, en particulier en reconnaissance vocale. Notre approche donne l'état de l'art sur TIMIT, un benchmark standard pour cette tâche. Le chapitre \ref{cpgp} présente une seconde ligne de travail, toujours en cours, qui explore une nouvelle architecture pour les réseaux de neurones récurrents. Les réseaux de neurones récurrents maintiennent un état caché qui représente leurs observations antérieures. L'idée de ce travail est de coder certaines dynamiques abstraites dans l'état caché, donnant au réseau une manière naturelle d'encoder des tendances cohérentes de l'état de son environnement. Notre travail est fondé sur un modèle existant; nous décrivons ce travail et nos contributions avec notamment une expérience préliminaire.

Pliocene-Pleistocene stack of globally distributed benthic stable oxygen isotope records

We present a 5.3-Myr stack (the ''LR04'' stack) of benthic d18O records from 57 globally distributed sites aligned by an automated graphic correlation algorithm. This is the first benthic delta18O stack composed of more than three records to extend beyond 850 ka, and we use its improved signal quality to identify 24 new marine isotope stages in the early Pliocene. We also present a new LR04 age model for the Pliocene-Pleistocene derived from tuning the delta18O stack to a simple ice model based on 21 June insolation at 65 N. Stacked sedimentation rates provide additional age model constraints to prevent overtuning. Despite a conservative tuning strategy, the LR04 benthic stack exhibits significant coherency with insolation in the obliquity band throughout the entire 5.3 Myr and in the precession band for more than half of the record. The LR04 stack contains significantly more variance in benthic delta18O than previously published stacks of the late Pleistocene as the result of higher resolution records, a better alignment technique, and a greater percentage of records from the Atlantic. Finally, the relative phases of the stack's 41- and 23-kyr components suggest that the precession component of delta18O from 2.7-1.6 Ma is primarily a deep-water temperature signal and that the phase of d18O precession response changed suddenly at 1.6 Ma.