On-chip Multimode Opto-electronic Neural Network

기술 요약: 온칩 멀티모드 광-전자 신경망 (On-chip Multimode Opto-electronic Neural Network)

문제 정의
포스트 무어(post-Moore) 시대에 전자 프로세서의 에너지 및 처리량 한계를 극복하기 위한 유망한 경로로서 광-전자 컴퓨팅이 주목받고 있으나, 실제 배포는 구조적 취약성과 복잡성으로 인해 여전히 어려움을 겪고 있다. 기존 방식들은 다음과 같은 상당한 트레이드오프(trade-offs)에 직면해 있다:

• 파장 분할 다중화 (Wavelength-Division Multiplexing, WDM): 일반적으로 마이크로링 공진기(MRR)와 다수의 좁은 선폭 레이저에 의존한다. 이러한 시스템은 열 크로스토크(thermal crosstalk)와 온도 드리프트를 상쇄하기 위해 정밀한 파장 관리가 필요하며, 이는 전력 소비와 제어 복잡성을 증가시킨다.
• 결맞음 공간 분할 다중화 (Coherent Space-Division Multiplexing, SDM): 마하-젠더 간섭계(MZI)를 기반으로 하는 이 시스템은 전체 광 경로에 걸친 정밀한 위상 제어를 요구한다. 이들은 누적된 위상 노이즈에 매우 민감하며, 가중치 매핑을 위한 복잡한 행렬 분해 알고리즘이 필요하여 확장성이 어렵다.
• 모드 분할 다중화 (Mode-Division Multiplexing, MDM): MDM은 병렬성을 높이기 위해 도입되었으나, 이전의 시연들은 선형 계산 영역에 국한되어 단일 칩 상에서 완전한 비선형 신경망을 구현하는 데 실패했다.

방법론
저자들은 실리콘 온 인슐레이터(SOI) 플랫폼 상에 제작된 단일 칩 형태의 **멀티모드 광-전자 신경망(MOENN)**을 선보인다. 이 아키텍처는 다음의 설계 원칙을 통해 기존 연구들의 한계를 해결한다:

1. 단일 파장, 다중 모드 동작: 여러 파장을 사용하거나 위상에 민감한 결맞음 검출을 사용하는 대신, 이 시스템은 단일 파장 내에서 직교하는 도파로 고유 모드(예: TE₀, TE₁, TE₂)에 독립적인 정보를 인코딩한다. 이는 본질적으로 스펙트럼 크로스토크와 위상 노이즈 민감성을 제거한다.
2. 통합 구성 요소: 칩에는 다음 요소들이 단일 칩(monolithically)으로 통합되어 있다:
   • 입력 인코더: 15 GHz 이상의 대역폭을 가진 고속 마하-젠더 변조기(MZM).
   • 프로그래밍 가능한 팬인/팬아웃 (Fan-in/Fan-out): 저손실, 저크로스토크 모드 다중화를 위한 계층적 비대칭 방향성 결합기(ADC).
   • 선형 가중치 부여: 강도를 변조하여 0에서 1까지의 가중치를 적용하는 광대역 광 감쇠기(PIN 다이오드).
   • 비선형 활성화: 전류 주입형 MRR과 결합된 멀티모드 광검출기(Germanium-on-Silicon). 이 광-전-광(O-E-O) 링크는 가중 합산을 수행하고, 광전류에 따라 MRR 투과율을 조절함으로써 비선형 활성화 함수(예: Sigmoid, ReLU)를 적용한다.
3. 인시튜(In-situ) 학습: 아날로그 하드웨어의 정밀한 해석적 모델링(열 크로스토크 및 노이즈에 취약함)을 우회하기 위해, 시스템은 **유전 알고리즘(Genetic Algorithm, GA)**을 이용한 하드웨어 인 더 루프(hardware-in-the-loop) 학습을 채택한다. 제어 파라미터는 특징 벡터(feature vectors)로 인코딩되며, 네트워크는 그래디언트 계산 없이 훈련 세트에 대한 분류 정확도를 기반으로 반복적으로 최적화된다.

주요 기여

• 최초의 멀티모드 OENN: 본 연구는 선형 MDM 시연을 넘어, 멀티모드 광학 플랫폼 상에서 완전한 비선형 신경망을 구현한 첫 번째 사례를 제시한다.
• 견고한 아키텍처: 직교하는 고유 모드와 단일 파장 동작을 활용함으로써, 시스템은 스펙트럼 크로스토크와 위상 노이즈에 대한 견고함을 달성하여 WDM 및 결맞음 SDM 방식에 비해 제어 요구 사항을 단순화한다.
• 단일 칩 통합: 인코더, 모드 분할 유닛, 비선형 활성화 함수를 5.0 × 1.8 mm²의 컴팩트한 칩 상에 성공적으로 통합하였다.
• 다재다능한 학습: 제조 오차 및 환경적 편차를 효과적으로 보정하는 그래디언트 프리(gradient-free) 학습 프로토콜을 입증하였다.

결과
제작된 MOENN 칩은 세 가지 별개의 작업에 대해 평가되었다:

1. 비선형 결정 경계 (이진 분류 데이터셋): 단순한 네트워크(2 입력, 4 은닉, 2 출력 뉴런)가 선형적으로 분리 불가능한 합성 데이터셋을 성공적으로 해결하였다. 시스템은 99%의 정확도를 달랐으며, 결정 경계는 20회 이내에 수렴하였다.
2. Iris 분류 벤치마크: 3계층 광 신경망이 가중치 프루닝(weight pruning) 전략(8×8 행렬을 네 개의 2×2 서브 네트워크로 분해)을 통해 2-모드 MOENN에 매핑되었다. 시스템은 테스트 세트에서 92.10%의 정확도, 훈련 세트에서 92.86%의 정확도를 달성하였다.
3. ECG 기반 감정 인식: 3-모드 MOENN이 심장 전기 활동을 네 가지 감정 상태(기저 상태, 스트레스, 즐거움, 명상)로 분류하기 위한 1차원 합성곱 신경망(1D-CNN)을 실행하도록 재구성되었다. 칩 상에서 시간 다중화 방식으로 합성곱과 비선형 활성화를 수행함으로써, 시스템은 테스트 세트에서 90.7%의 정확도, 훈련 세트에서 90.9%의 정확도를 달성하였다.

의의 및 주장
저자들은 이 연구가 단순한 제어와 탁월한 견고성을 특징으로 하는 광-전자 컴퓨팅의 새로운 패러다임을 구축한다고 주장한다. 강조된 주요 시사점은 다음과 같다:

• 확장성: 이 아키텍처는 MZI의 위상 제어나 WDM 시스템의 파장 관리와 관련된 확장 페널티를 피한다.
• 배포 가능성: 환경적 편차에 대한 면역력을 갖춘 이 시스템은 열적 안정성을 유지하기 어려운 실제 환경의 응용 분야에 적합하다.
• 확장성(Extensibility): MOENN은 하이브리드 MDM-WDM 프레임워크로 원활하게 확장될 수 있으며, 이는 필요한 레이저 소스의 수를 모드 채널 수만큼 줄일 수 있음을 의미한다.
• 성능: 100 MHz에서 동작하는 3-모드 칩은 3.6 GOPS의 처리량과 684 fJ/OP의 에너지 효율을 제공하며, 이는 확장 가능하고 배포 가능한 광 지능(photonic intelligence)을 향한 실행 가능한 경로를 보여준다.