In dit doctoraat wordt op een multidisciplinaire manier ingegaan op twee state-of-the-art onderzoeksgebieden: het onderzoeksgebied van machinaal leren, binnen de vakgroep ELIS, en het onderzoeksgebied van nanofotonica, binnen de vakgroep INTEC. In ELIS wordt onderzoek gedaan naar nieuwe leermethodieken voor artificiële neurale netwerken. Deze neurale netwerken worden ingezet om problemen op te lossen die vaak als heel eenvoudig worden beschouwd door mensen, maar moeilijk voor computers. Bijvoorbeeld: spraakherkenning, het besturen van een wandelende robot, enzovoort. Een subdomein hiervan is reservoir computing, die bestudeert hoe deze componenten efficiënt kunnen getraind worden. Deze systemen worden ook reservoir computers genoemd. Om deze systemen sneller te maken, en het vermogenverbruik te beperken, wordt gekeken naar hardware implementaties van deze artificiële neurale netwerken (zogenaamde neuromorfische componenten). Met behulp van nanofotonica kan een dergelijke reservoir computer gebouwd worden. Het grote voordeel ten opzichte van elektronica is dat de bandbreedtes in fotonica een aantal grootteordes hoger liggen, en dat de componenten potentieel minder vermogen verbruiken. In dit doctoraat wordt theoretisch onderzoek verricht naar hoe een dergelijke reservoir computer kan gemaakt worden. Daarnaast is een optische circuitsimulator ontwikkeld, die algemeen inzetbaar is om nanofotonische circuits en systemen te simuleren.