기술 요약: 머신러닝을 위한 다중 모드 파동 전파의 임의 제어

문제 정의

심층 신경망(DNN)은 크기가 기하급수적으로 증가함에 따라, 특히 계산 부하의 대부분을 차지하는 행렬-벡터 곱셈(MVM)과 관련된 에너지 비용 문제로 인해 점점 더 큰 제약을 받고 있습니다. 광학 신경망(ONN)은 에너지 효율적인 MVM을 위한 유망한 대안을 제시하지만, 현재의 집적 광학 접근 방식은 상당한 확장성 한계에 직면해 있습니다. 지배적인 패러다임은 단일 모드 도파로로 연결된 이산형 프로그래밍 가능 구성 요소(예: Mach–Zehnder 간섭계, 마이크로링 공진기)의 네트워크에 의존합니다. 이러한 구조는 두 가지 주요 병목 현상을 겪습니다:

1. 라우팅 복잡성: $N \times N$ 행렬을 위해 칩 주변부를 통과해야 하는 $O(N^2)$개의 전자 제어 배선을 통합하는 것은 제어 가능한 자유도를 수백 개 수준으로 제한합니다.
2. 공간적 비효율성: 개별 광학 소자는 파장 제약과 약한 프로그래밍 기능으로 인해 부피가 크며, 상호 연결 영역에 상당한 칩 면적이 소비됩니다.

결ayısıyla, 기존 칩들은 광학 기술이 전자 기술에 비해 명확한 에너지 효율 이점을 입증할 수 있는 임계값($N \gtrsim 1000$)보다 훨씬 낮은 벡터 크기($N$)를 지원합니다. 본 연구에서 다루는 핵심 과제는 전자 배선의 통합 복잡성을 피하면서도 파동 전파에 대한 임의의 제어를 가능하게 하는, 프로그래밍 가능한 굴절률 분포 $n(x, z)$를 가진 광학 칩을 어떻게 구축할 것인가 하는 점입니다.

방법론

저자들은 이산적인 요소들의 집합이 아닌, 칩 전체를 연속적이고 재프로그래밍 가능한 기판으로 취급하는 장치인 2D-프로그래밍 가능 도파로를 소개하고 시연합니다.

장치 구조 및 작동 원리

이 장치는 전도성 실리콘 기판(접지 전극 역할)과 금 전극 사이에 끼워진 리튬 니오베이트(LiNbO$_3$) 슬래브 도파로로 구성됩니다. 도파로 위에는 광전도층(실리콘이 풍부한 실리콘 질화물)이 증착되어 있습니다.

• 굴절률 변조: 장치는 공간적으로 변화하는 굴절률 변화 $\Delta n(x, z)$를 유도하기 위해 **광전도 이득(photoconductive gain)**을 활용합니다. 전극 사이에는 진동하는 바이어스 전압(최대 1000V)이 인가됩니다. 패턴화된 빛 투영이 광전도체에 조사되면, 해당 부위의 임피던스가 국부적으로 감소하여 하단의 LiNbO$_3$ 도파로 내 전계가 증가합니다.
• 전기 광학 효과: 증가된 전계는 리튬 니오베이트 내의 포켈스 효과(Pockels effect)를 통해 국부적인 굴절률 변화를 유도합니다.
• 프로그래밍 가능성: 임의의 빛 패턴을 장치에 투영함으로써, 저자들은 약 $10^4$개의 공간적 자유도(9 $\mu\text{m} \times 9 \mu\text{m}$ 해상도를 가진 $9 \text{ mm} \times 1 \text{ mm}$ 영역)에 걸쳐 굴절률 분포를 조각할 수 있습니다. 시스템은 전체 분포를 3 Hz의 속도로 업데이트합니다.

훈련 및 머신러닝 구현

머신러닝 작업을 수행하기 위해, 장치는 입력 광 필드를 분류 레이블에 해당하는 출력 강도 분포로 매핑하도록 훈련됩니다.

• 인코딩: 입력 데이터 벡터는 입력 단면에서 공간 가우시안 모드로 진폭 인코딩됩니다.
• 전파: 빛은 굴절률 프로파일이 훈련 가능한 가중치 역할을 하는 파각 근사 방정식(논문의 식 1)에 따라 프로그래밍 가능한 도파로를 통해 전파됩니다.
• 판독(Readout): 출력 강도가 측정되며, 이는 클래스 레이블에 대응하는 공간 영역으로 분류됩니다.
• 훈련 알고리즘: 저자들은 물리 인식 훈련(physics-aware training), 즉 하이브리드 in-situ–in-silico 역전파 알고리즘을 사용합니다. 순방향 패스는 장치에 의해 물리적으로 수행되는 반면, 역방향 패스(그레이디언트 계산)는 미분 가능한 디지털 파동 전파 모델을 사용하여 계산됩니다. 이 모델은 실험적 비이상성을 설명하기 위해 데이터 기반 파라미터로 정교화되었으며, 이를 통해 방대한 파라미터 수에도 불구하고 효율적인 훈련이 가능했습니다.

주요 기여

1. 2D-프로그래밍 가능 도파로의 시연: 저자들은 병렬 전기 광학 변조를 통해 임의의 굴절률 조각이 가능한 약 $10,000$개의 프로그래밍 가능한 공간적 자유도를 가진 장치를 성공적으로 제작하고 작동시켰습니다.
2. 고차원 신경망 추론: 장치는 선형 변환에 대한 디지털 전/후 처리가 없는 상태에서, 최대 49차원(MNIST 필기 숫자) 및 12차원(모음 분류)의 입력 벡터를 사용하여 벤치마크 작업에 대한 신경망 추론을 **단 한 번의 패스(single pass)**로 수행했습니다.
3. 확장성 분석: 논문은 2D-프로그래밍 가능 도파로가 이산 구성 요소 아키텍처에 비해 우수한 장치 길이 스케일링 법칙을 제공한다는 이론적 및 수치적 증거를 제공합니다. 전통적인 방식은 종종 장치 길이를 $N$(또는 $N^2$ 면적)에 따라 스케일링해야 하지만, 저자들은 멀티모드 간섭의 경우 주어진 굴절률 변조 강도에 대해 필요한 길이가 $\sqrt{N}$에 비례한다고 주장합니다.

실험 결과

• 모음 분류: 장치는 12차원 포먼트 주파수 입력 벡터로부터 7개의 발화 모음을 분류하도록 훈련되었습니다. 300 에포크(약 1시간) 후, 시스템은 96%의 테스트 정확도를 달축했습니다. 훈련된 굴절률 프로파일은 균일한 상태에서 역설계된 광자 구조를 닮은 복잡한 패턴으로 진화했습니다.
• MNIST 필기 숫자 분류: 장치는 다운샘플링된 7$\times$7 MNIST 이미지(49차원 입력)를 10개 클래스로 분류하도록 훈련되었습니다. 10 에포크(약 10시간) 후, 시스템은 86%의 테스트 정확도를 달성했습니다. 이 결과는 동일한 다운샘플링된 작업에 대해 $49 \times 10$ 행렬을 가진 단일 레이어 디지털 신경망(90% 달성)과 유사하며, 이는 복잡한 멀티모드 파동 전파가 고차원 선형 변환을 효과적으로 수행할 수 있음을 보여줍니다.
• 장치 성능: 최대 굴절률 변조는 약 $\Delta n \approx 10^{-3}$에 달했습니다. 장치는 낮은 전파 손실(< 1 dB/cm)을 보였으며, 활성 영역 전체에서 1 mW 미만의 전력 소모로 작동했습니다.

의의 및 주장

본 논문은 이 연구가 현재의 집적 광학 신경망이 가진 공간 및 확장성 한계를 극복하는 중요한 단계임을 주장합니다.

• 공간 효율성: 이산 구성 요소를 연속적인 프로그래밍 가능 기판으로 대체함으로써, 장치는 더 공간 효율적인 아키텍처를 달えます. 저자들은 자신들의 프로토타입이 이산 구성 요소 기반의 기존 온칩 광학 신경망보다 더 큰 입력 차원을 지원한다고 언급했습니다.
• 에너지 효율 잠재력: 이 연구는 광학 MVM이 전자 MVM보다 에너지 효율 면에서 앞서는 "손익 분기점"(약 $N \approx 1000$으로 추정)을 향한 이론적 경로를 강조합니다. 시연된 $\sqrt{N}$ 길이 스케일링은 2D-프로그래밍 가능 도파로가 이 임계값을 초과하는 차원의 전광식 행렬-벡터 곱셈기를 가능하게 하여, 하이브리드 신경망 아키텍처(선형 연산을 위한 아날로그 광학, 비선형성을 위한 전자 공학)를 에너지 경쟁력이 있게 만들 수 있음을 시사합니다.
• 재구성 가능성: 고정된 역설계 장치와 달리, 이 장치는 완전히 재구성 가능합니다. 저자들은 이러한 능력이 머신러닝을 넘어 적분 방정식 해결, 조합 최적화, 그리고 연속체 내의 결합 상태(bound states in the continuum) 및 위상 광학을 연구하기 위한 재구성 가능한 플랫폼으로 확장될 수 있다고 제안합니다.

저자들은 현재의 프로토타입이 빛이 횡방향으로 사실상 유도되지 않는 영역에서 작동했다는 점, 그리고 현재의 $\Delta n$ 및 업데이트 속도가 재료 특성과 광전도층 설계에 의해 제한된다는 점을 인정하며 현재의 한계에 대해 겸허한 태도를 유지하고 있습니다. 그러나 그들은 시연된 임의의 멀티모드 제어 원리가 광 컴퓨팅의 새로운 길을 열어준다고 확신합니다.