Small-scale photonic Kolmogorov-Arnold networks using standard telecom nonlinear modules

논문 요약: 표준 통신 비선형 모듈을 이용한 소형 광학 콜모고로프 - 아르논 네트워크 (SSP-KAN)

1. 연구 배경 및 문제 제기 (Problem)

• 광학 신경망 (PNN) 의 한계: 기존 광학 신경망은 주로 선형 광학 메쉬와 전자적 비선형 활성화 함수를 결합한 다층 퍼셉트론 (MLP) 구조를 사용합니다. 이는 광 - 전 - 광 (OEO) 변환 병목 현상을 유발하여 처리 속도와 확장성을 제한하며, 광학 처리의 에너지 효율성 이점을 상쇄합니다.
• 기존 KAN 구현의 제약: 최근 제안된 콜모고로프 - 아르논 네트워크 (KAN) 는 MLP 와 달리 네트워크 엣지 (edge) 에 학습 가능한 1 차원 비선형 함수를 배치하여 파라미터 효율성과 해석 가능성을 높입니다. 그러나 기존 광학 KAN 구현은 특수한 공명기 구조 (예: 실리콘 마이크로링) 나 공간 광 변조기 (SLM) 에 의존하여, 대량 생산 가능한 통신 부품으로 구현하기 어렵고 제조 비용이 높다는 문제가 있었습니다.
• 핵심 질문: 제한된 수의 물리적 파라미터 (일반적인 통신 부품) 만으로 소프트웨어 기반의 복잡한 비선형 함수 (예: B-스플라인) 를 대체할 수 있는가? 그리고 대량 생산 가능한 표준 통신 부품만으로 실제 배포 가능한 광학 KAN 을 구축할 수 있는가?

2. 방법론 (Methodology)

• SSP-KAN 아키텍처:
  • 구조: 콜모고로프 - 아르논 정리에 기반하여, 입력 노드와 출력 노드를 연결하는 각 엣지에 전용 광학 모듈을 배치합니다. 각 모듈은 입력을 비선형 변환한 후 광검출기 (PD) 에서 비간섭적으로 합산 (power summation) 합니다.
  • 핵심 모듈 (MZI-VOA-SOA-VOA): 표준 텔레콤 부품인 마하 - 젠더 간섭계 (MZI), 반도체 광증폭기 (SOA), 가변 광 감쇠기 (VOA) 를 조합한 모듈을 사용합니다.
    • 구성: 입력은 50/50 커플러로 분할되며, 한쪽 팔에는 VOA1-SOA-VOA2 가, 다른 쪽 팔에는 위상 편이기가 배치됩니다.
    • 비선형성 원리: SOA 의 이득 포화 (gain saturation) 현상을 주된 비선형성으로 활용합니다. SOA 내부의 전류 주입 (I) 과 입력 감쇠 (VOA1) 를 통해 SOA 의 동작점을 조절하여 비선형 전이 함수의 형태를 제어합니다.
    • 학습 가능한 파라미터 (4 개): 각 모듈당 4 개의 파라미터 (SOA 주입 전류 $I$, 입력 감쇠 $\alpha_1$, 출력 감쇠 $\alpha_2$, 간섭계 위상 $\phi$) 를 학습합니다.
• 물리 기반 모델링 및 최적화:
  • Agrawal-Olsson formalism 을 기반으로 SOA 의 이득 및 위상 변화를 모델링했습니다.
  • 전이 함수는 MZ 간섭 무늬와 SOA 의 이득 - 위상 결합 (linewidth enhancement factor) 에 의해 결정되는 4 파라미터 함수로 표현됩니다.
  • End-to-End 학습: 전체 물리 과정을 미분 가능한 (differentiable) 모델로 구현하여 PyTorch 를 통해 역전파 (backpropagation) 로 모든 광학 파라미터를 직접 최적화합니다.

3. 주요 기여 (Key Contributions)

1. 표준 통신 부품 기반의 광학 KAN 구현: 특수 제작된 칩이 아닌, 상용 SOA (Thorlabs BOA1554P) 와 표준 광부품을 사용하여 학습 가능한 광학 KAN 을 최초로 제안하고 시뮬레이션으로 검증했습니다.
2. 제한된 파라미터로 인한 높은 성능: 엣지당 4 개의 파라미터라는 물리적 제약에도 불구하고, 소형 네트워크가 복잡한 비선형 추론 과제를 해결할 수 있음을 입증했습니다.
3. 실용적 견고성 (Robustness) 분석: DAC 해상도 (양자화) 와 광학 잡음 (ASE) 이 성능에 미치는 영향을 체계적으로 분석하여, 실제 하드웨어 구현 시 요구되는 조건을 제시했습니다.
4. 물리 인식 (Physics-aware) 설계 프레임워크: 하드웨어의 물리적 특성을 모델에 직접 통합하여 시뮬레이션에서 실험으로의 전환을 용이하게 하는 프레임워크를 제시했습니다.

4. 실험 결과 (Results)

• 비선형 분류 (Two Moons 데이터셋):
  • 단일 층 [2,2] 구조 (4 개 모듈, 16 파라미터) 로 **98.4%**의 정확도를 달성했습니다.
  • 소프트웨어 기반 KAN (pyKAN, 40 파라미터, 99.9%) 과 비교하여 파라미터는 절반 미만으로 사용하면서도 거의 동등한 성능을 보였습니다.
  • 선형 모델 (89.2%) 과는 명확한 성능 차이를 보이며 비선형 문제 해결 능력을 입증했습니다.
• 회귀 분석 (Yacht Hydrodynamics 데이터셋):
  • 6 차원 입력에 대한 다변량 회귀 과제에서 2 층 구조 [6,1,1] (7 개 모듈, 28 파라미터) 이 $R^2 = 0.977$을 기록했습니다.
  • 이는 소프트웨어 KAN (60 파라미터, $R^2 = 0.977$) 과 정확히 일치하는 성능으로, 파라미터 효율성이 매우 뛰어남을 보여줍니다.
  • 단일 층 구조는 특징 간 상호작용을 학습하지 못해 성능이 제한적이었으나, 2 층 구조를 통해 이를 보완했습니다.
• 이미지 분류 (MNIST 및 Fashion-MNIST):
  • MNIST 에서 92.7%, Fashion-MNIST 에서 **85.7%**의 정확도를 기록했습니다.
  • 특히 비선형성이 강한 Fashion-MNIST 에서 선형 모델 대비 성능 향상 폭이 더 컸습니다.
• 하드웨어 견고성 분석:
  • 양자화: 6 비트 DAC 해상도까지 성능 저하가 미미하여 저비용 DAC 사용이 가능함을 보였습니다.
  • 광학 잡음: SNR 14 dB 이상에서는 높은 성능을 유지하나, 6 dB 이하의 극심한 잡음에서는 성능이 선형 모델 수준으로 떨어집니다. 이는 잡음이 주요 병목 요소임을 시사합니다.

5. 의의 및 결론 (Significance)

• 실용적 배포 가능성: 이 연구는 특수한 실험실 장비가 아닌, 기존 광통신 인프라에 호환되는 상용 부품을 사용하여 광학 신경망을 구축할 수 있음을 증명했습니다. 이는 광학 컴퓨팅의 상용화와 실제 배포를 위한 현실적인 경로를 제시합니다.
• 지연 시간 민감형 응용: OEO 변환이 필요 없는 완전 광학 처리는 초저지연 (latency-critical) 응용 분야 (예: 광 채널 등화, 실시간 신호 처리) 에 이상적입니다.
• 물리적 제약과 표현력의 균형: 개별 모듈의 표현력은 제한적이지만, 네트워크의 깊이 (depth) 를 통해 이를 보완할 수 있음을 보여주었습니다. 이는 "완전한 보편성"보다는 "실제 과제를 해결할 수 있는 충분한 비선형성"을 추구하는 실용적인 접근법을 제시합니다.
• 향후 전망: 현재는 시뮬레이션 단계이나, 4~7 개의 모듈로 구성된 소형 네트워크는 실험실 환경에서 즉시 구현 가능합니다. 향후 집적 광학 플랫폼으로 확장하여 고차원 문제를 해결하는 것이 다음 단계입니다.

결론적으로, 이 논문은 표준 통신 부품을 활용한 소형 광학 KAN 이 복잡한 비선형 추론 과제를 소프트웨어 기반 모델과 경쟁력 있게 수행할 수 있음을 입증하며, 에너지 효율적이고 저지연인 차세대 광학 컴퓨팅 시스템의 실현 가능성을 크게 높였습니다.