Le sujet de cette thèse est le développement d’algorithmes d’optimisation à grande échelle, popularisés par l’apprentissage automatique, pour diverses études autour de la propagation de la lumière dans des milieux complexes. Nous étudions ces questions à travers le prisme de la diffusion optique, un phénomène physique décrivant la propagation de la lumière dans des matériaux complexes. Ce point de vue non conventionnel jette un nouvel éclairage sur les algorithmes d’optimisation qui se présentent dans deux domaines différents : l’imagerie et l’informatique optique. Nous appliquerons les progrès les plus récents en matière d’extraction de phase et de factorisation matricielle de bas pour l’analyse de grands ensembles de données. Ces avancées algorithmiques repoussent les limites de l’imagerie non invasive par diffusion, ce qui ouvrirait de nombreuses possibilités telles que l’observation de neurones individuels au plus profond du cerveau d’animaux vivants. D’autre part, la diffusion sera l’occasion de réaliser des réseaux neuronaux optiques câblés de façon aléatoire et de très grande dimension. Un accent particulier sera mis sur la réalisation optique d’une architecture récurrente appelée calcul par réservoir, particulièrement utile pour la prédiction de séries temporelles chaotiques. Le lien étroit entre ces deux axes d’étude est symbolisé dans la matrice aléatoire introduite pour modéliser l’effet de la diffusion optique.