🔬 optics

Photonic Exponential Approximation via Cascaded TFLN Microring Resonators toward Softmax

이 논문은 X-cut 박막 리튬 나이오베이트 (TFLN) 마이크로링 공진기를 직렬로 연결하여 소프트맥스 함수에 필요한 지수 함수를 광학적으로 근사하는 아키텍처를 제안하고, 3 차원 FDTD 시뮬레이션 및 이론적 분석을 통해 그 유효성을 검증했습니다.

원저자: Hyoseok Park (Department of Physics, Chungnam National University, Daejeon, Republic of Korea), Yeonsang Park (Department of Physics, Chungnam National University, Daejeon, Republic of Korea)

게시일 2026-03-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hyoseok Park (Department of Physics, Chungnam National University, Daejeon, Republic of Korea), Yeonsang Park (Department of Physics, Chungnam National University, Daejeon, Republic of Korea)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"인공지능 (AI) 의 두뇌가 더 빠르고 가볍게 작동할 수 있도록 돕는 새로운 광학 (빛) 기술"**에 대한 이야기입니다.

기존의 AI 칩은 전기를 이용해 계산을 하는데, 특히 '소프트맥스 (Softmax)'라는 중요한 계산 단계에서 전기가 빛으로, 다시 전기로 변환되는 과정에서 속도가 느려지고 에너지가 많이 낭비됩니다. 이 논문은 그 병목 현상을 해결하기 위해 빛만 이용해 계산을 끝내는 새로운 방법을 제안합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 문제 상황: "무거운 짐을 나르는 택배 트럭"

지금까지 AI 가 글을 쓰거나 그림을 그릴 때, 가장 마지막에 **"가장 중요한 단어는 무엇인가?"**를 결정하는 과정 (소프트맥스) 이 있었습니다.

기존 방식: 이 과정은 마치 무거운 짐 (데이터) 을 트럭 (전기) 에 실었다가, 항구 (광학 칩) 에 도착하면 다시 배 (빛) 로 싣고, 다시 트럭으로 싣는 과정과 같습니다.
문제점: 짐을 트럭에서 배로, 다시 트럭으로 옮기는 데 시간이 걸리고 (속도 저하), 기름 (에너지) 을 많이 씁니다.

2. 이 논문의 해결책: "빛으로만 달리는 고속도로"

저자들은 "왜 짐을 계속 옮기나요? 처음부터 **빛 (Photonic)**만으로 모든 계산을 끝내자!"라고 제안합니다.
하지만 빛은 원래 '0 과 1'만 잘 처리하지, AI 가 필요로 하는 **'지수 함수 (Exponential function, e^x)'**라는 복잡한 계산을 하기는 매우 어렵습니다. 마치 빛이 "10 을 100 배로 만들어라"라고 말하면, 빛은 "그건 내 능력 밖이야"라고 반응하는 것과 비슷합니다.

3. 핵심 기술: "거울 30 개를 나란히 세우기 (캐스케이드)"

이 논문은 이 어려운 '지수 계산'을 빛으로 하기 위해 **마이크로 링 공명기 (MRR)**라는 아주 작은 거울 통을 연속적으로 여러 개 연결하는 방법을 고안했습니다.

비유: "나비 효과"나 "계단식 효과"
- imagine 작은 거울 하나를 통과한 빛은 거의 변하지 않습니다.
- 하지만 이 거울을 30 개를 나란히 연결해서 빛이 하나씩 통과하게 하면, 아주 미세한 변화가 누적되어 거대한 변화로 바뀝니다.
- 마치 작은 물방울이 하나씩 떨어질 때는 소리가 안 나지만, 30 개가 연속으로 떨어지면 큰 소리가 나는 것과 같습니다.
- 저자들은 이 거울들의 모양과 위치를 정교하게 조절하여, 빛이 통과하는 과정에서 자연스럽게 '지수 함수 (e^x)' 모양의 곡선이 만들어지도록 설계했습니다.

4. 실험 결과: "실제 작동 확인"

리튬 니오베이트 (TFLN) 라는 재질: 이 기술은 '리튬 니오베이트'라는 결정체 위에 만든 아주 얇은 광학 칩을 사용합니다. 이 재질은 빛을 전기 신호로 매우 민감하게 조절할 수 있습니다.
시뮬레이션과 검증: 컴퓨터로 3 차원 시뮬레이션을 돌려보니, 거울을 5 개 연결했을 때 이론과 거의 일치하는 결과가 나왔습니다.
미래 전망: 만약 이 거울의 품질을 더 높인다면 (현재 기술보다 100 배 이상 좋은 품질), 거울 30 개를 연결해서 99% 이상의 정확도로 AI 의 계산을 해낼 수 있습니다.

5. 왜 이것이 중요한가요? (에너지와 속도)

에너지 절약: 기존 전자 칩으로 이 계산을 하면 **약 2.3 피코줄 (pJ)**의 에너지가 들지만, 이 빛 기반 칩은 약 0.9 피코줄로 2 배 이상 에너지를 아낄 수 있습니다.
속도: 빛은 전기보다 훨씬 빠르기 때문에, AI 가 더 많은 데이터를 실시간으로 처리할 수 있게 됩니다.
데이터센터의 미래: 지금 AI 데이터센터는 전기세를 엄청나게 많이 내고 있습니다. 이 기술이 상용화되면 AI 가 더 저렴하고 친환경적으로 작동할 수 있게 됩니다.

요약

이 논문은 **"AI 가 가장 힘들어하는 '지수 계산'을, 거울을 여러 개 나란히 세운 빛의 통로 (캐스케이드) 를 통해 자연스럽게 해결하는 방법"**을 제시했습니다.

마치 무거운 짐을 옮길 때, 트럭을 여러 번 오가게 하는 대신, 경사가 아주 완만하게 이어진 긴 슬라이드 (빛의 통로) 를 만들어 짐이 미끄러지듯 자연스럽게 목적지에 도달하게 만든 것과 같습니다. 이 기술이 완성되면 AI 는 더 빠르고, 더 싸고, 더 친환경적으로 작동하게 될 것입니다.

1. 연구 배경 및 문제 제기 (Problem)

배경: 대규모 AI 모델 (Transformer 등) 의 급격한 성장은 데이터센터의 에너지 소비와 데이터 이동 병목 현상을 심화시키고 있습니다. 광학 가속기 (Photonic Accelerators) 는 선형 행렬 곱셈을 고속·저전력으로 수행할 수 있어 유망한 대안으로 주목받고 있습니다.
핵심 문제: Transformer 의 어텐션 (Attention) 레이어에 필수적인 Softmax 함수는 요소별 지수 함수 (Exponentiation) 와 정규화를 요구합니다.
- 기존 광학 회로는 수동 소자 (Passive) 위주로 구성되어 있어, 전송률이 1 을 넘을 수 없으므로 지수 함수 ( $e^x$ ) 와 같은 비선형 변환을 직접 구현하기 어렵습니다.
- 현재는 선형 연산을 광학적으로 수행한 후, 지수 및 정규화 단계를 전자식 (Electronic) 으로 처리하고 있습니다. 이 전기 - 광학 변환 (EO conversion) 병목이 광학 가속기의 잠재적 이점 (처리량 및 에너지 효율) 을 상쇄하고 있습니다.
목표: 전자식 후처리를 제거하고, 광학적으로만 Softmax 의 핵심인 '지수 함수 블록'을 구현하여 완전한 광학 Softmax 를 가능하게 하는 것입니다.

2. 제안된 방법론 (Methodology)

저자들은 연속된 마이크로링 공진기 (Cascaded Micro-Ring Resonators, MRR) 아키텍처를 제안하여 지수 함수를 근사하는 새로운 방식을 제시했습니다.

기본 원리 (Lorentzian Cascade):
- 단일 마이크로링 공진기의 투과 스펙트럼은 로런츠 (Lorentzian) 형태를 가집니다.
- $N$ 개의 동일한 링을 직렬로 연결 (Cascading) 하면, 전체 전송 함수는 각 링의 전송 함수의 곱 ( $y(I) = \prod T_k(I)$ ) 이 됩니다.
- 이 곱의 로그 (Logarithm) 를 취하면, 특정 구간에서 선형 함수에 근사하게 됩니다. 즉, $\ln(y(I)) \approx I - L$ 이 되도록 조절하면, $y(I) \approx e^{I-L}$ 이 되어 지수 함수를 구현할 수 있습니다.
제어 메커니즘:
- X-cut 박막 리튬 니오베이트 (TFLN) 소자를 사용했습니다.
- 각 링의 공진 주파수를 전기 - 광학 (Electro-Optic, Pockels 효과) 방식으로 조절합니다. 입력 신호 $x_n$ 을 전압 신호로 변환하여 각 링의 공진 주파수를 이동시킵니다.
- 고정된 주파수의 약한 프로브 (Probe) 빛이 이 링들을 통과하며, 각 링에서의 감쇠가 누적되어 최종적으로 지수 함수 형태의 출력을 얻습니다.
설계 프레임워크:
- 최소 - 최대 (Minimax) 피팅: 주어진 입력 구간 $[0, L]$ 에서 오차를 최소화하도록 링의 개수 ( $N$ ) 와 정적 디튜닝 (Static detuning, $a$ ), 감도 ( $b$ ) 를 최적화합니다.
- 깊이 스케일링 (Depth Scaling): 원하는 오차 범위 ( $\epsilon$ ) 를 달성하기 위해 필요한 링의 개수 $N$ 이 입력 범위 $L$ 에 대해 $N \propto L^{3/2}$ 로 스케일링된다는 것을 이론적으로 유도했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

이론적 프레임워크 및 검증:
- 광학적으로 지수 함수를 근사할 수 있는 수학적 모델을 정립하고, $N$ 이 증가함에 따라 오차가 어떻게 감소하는지 분석했습니다.
- 3D FDTD 시뮬레이션: 단일 X-cut TFLN 마이크로링 공진기에 대한 3D FDTD 시뮬레이션을 수행하여 물리적 파라미터 (품질 계수 $Q$ , 자유 스펙트럼 범위 FSR, 전기 - 광학 감도) 를 보정했습니다.
- 5 링 캐스케이드 검증: Tidy3D 를 이용한 5 링 캐스케이드 3D FDTD 시뮬레이션을 통해 이론적 모델과 실제 광학 거동의 일치성을 확인했습니다. (상부 작동 범위에서 약 11% 의 상대적 면적 오차 확인).
성능 지표 (TFLN 기반):
- 현재 기술 수준 (FDTD 보정 $Q_L \approx 15,500$ ): $N=5$ ~7 개의 링으로 약 10% 미만의 오차를 달성할 수 있습니다.
- 고품질 (High-Q) 목표 ( $Q_i \ge 10^6$ ): 문헌에 보고된 수준의 고품질 공진기를 구현할 경우, $N=30$ 개의 링으로 0.3% 미만의 오차를 달성할 수 있으며, 이는 Softmax 에 필요한 정확도를 충족합니다.
- 전압 요구사항: $N=30$ 시, 최대 제어 전압은 약 1.5V 로 CMOS 호환 가능합니다.
- 에너지 효율: 지수 연산당 에너지 소모는 약 0.79 pJ ~ 1.39 pJ (열 안정화 포함) 로 추정됩니다. 이는 디지털 INT8 연산 (약 2.3 pJ) 보다 1.7~2.4 배, FP32 연산 (약 46 pJ) 보다 58 배 이상 에너지 효율이 높습니다.
실현 가능성 분석:
- Monte Carlo 시뮬레이션을 통해 제조 공정의 편차 (디튜닝, 감도 등) 가 있을 때에도 칩 단위 보정 (Calibration) 만으로 Softmax 확률 오차를 0.32% 이하로 유지할 수 있음을 입증했습니다.
- 삽입 손실 (Insertion Loss) 예산 분석을 통해 고품질 공진기 구현 시에도 전체 시스템 손실이 관리 가능한 수준임을 보였습니다.

4. 의의 및 결론 (Significance)

광학 Softmax 의 핵심 블록 완성: 기존에 광학 가속기의 병목이었던 '지수 함수' 연산을 수동 광학 소자만으로 구현할 수 있음을 최초로 입증했습니다.
에너지 효율성 극대화: 전자식 처리를 제거함으로써 데이터 이동 및 변환에 따른 에너지 낭비를 획기적으로 줄일 수 있으며, AI 추론의 에너지 효율성을 비약적으로 향상시킬 잠재력을 가집니다.
확장성: 제안된 캐스케이드 원리는 TFLN 플랫폼뿐만 아니라 다른 공진기 기반 광학 플랫폼 (광결정 공진기 등) 으로도 확장 가능합니다.
향후 과제: 본 논문에서는 지수 함수 블록 구현에 집중했으며, 완전한 Softmax 를 위해서는 최대값 찾기 (Max-finding), 합산 (Summation), 역수 정규화 (Reciprocal normalization) 회로가 추가로 필요함을 지적했습니다. 이는 향후 혼합 신호 (Mixed-signal) 시스템으로의 통합 과제로 남았습니다.

결론적으로, 이 연구는 대규모 AI 모델의 에너지 효율성을 높이기 위한 핵심 요소인 광학 Softmax 구현을 위한 실질적이고 검증된 물리적 아키텍처를 제시했다는 점에서 의의가 큽니다.