Artificial Intelligence Reshapes Microwave Photonics

기술 요약: 인공지능이 마이크로파 광학을 재편성하다

문제 제기
마이크로파 광학 (MWP) 은 대역폭 주도 시대 (MWP 1.0) 에서 광집적회로 (PIC) 를 특징으로 하는 통합 시대 (MWP 2.0) 로 진화했습니다. 그러나 통합 밀도와 기능적 복잡성이 증가함에 따라 기존 MWP 시스템은 심각한 병목 현상에 직면해 있습니다. 여기에는 다음이 포함됩니다:

• 최적화 과제: 대규모 모놀리식 통합은 레이저, 변조기, 필터, 검출기 등 매개변수 간의 복잡한 상호의존성을 도입하여 동적 환경에서 적응적이고 실시간 최적화를 어렵게 만듭니다.
• 모델링 한계: 기존 신호 생성 및 전송은 랭 - 코바야시 방정식, 분할 - 스텝 푸리에 방법과 같은 결정론적 물리 모델에 의존하는데, 이는 계산 집약적이며 다양한 신호 포맷에 대한 유연성이 부족하고 복잡한 비선형 왜곡을 처리하는 데 어려움을 겪습니다.
• 보정 및 안정성: 기존 시스템은 종종 정밀한 수동 보정을 필요로 하며, 환경 민감성 (예: 온도 드리프트, 위상 잡음) 으로 고통받고 장기적인 성능 불안정을 보입니다.
• 처리 제약: 고정된 아키텍처와 복잡한 보정 절차는 신호 처리, 검출 및 간섭 제거의 효율성을 제한합니다.

방법론
본 논문은 인공지능 (AI), 특히 머신러닝 (ML) 과 딥러닝 (DL) 이 MWP 시스템에 깊이 통합된 "MWP 3.0"이라는 지능형 시대로의 패러다임 전환을 제안합니다. 방법론은 전통적인 분석 모델과 수동 제어 루프를 데이터 기반 접근 방식으로 대체하거나 보완하는 것을 포함합니다:

• 데이터 기반 모델링: 순방향 신경망 (Feedforward Neural Networks), 트랜스포머, LSTM 과 같은 신경망을 활용하여 실험 또는 시뮬레이션 데이터에서 직접 입력과 출력 간의 고차원 암시적 관계를 학습하여 명시적 물리 방정식의 필요성을 우회합니다.
• 엔드 - 투 - 엔드 (E2E) 최적화: 송신기, 채널, 수신기를 포함한 전체 통신 링크를 통합된 시스템으로 간주하여 역전파를 통해 훈련함으로써 전역 최적 구성을 찾습니다.
• 강화 학습 (RL): 비트 오류율 (BER) 또는 오류 벡터 크기 (EVM) 와 같은 피드백 지표를 기반으로 가변 광 감쇠기, 지연선과 같은 시스템 매개변수를 실시간으로 자율 조정하는 RL 에이전트를 활용합니다.
• 역설계: ResNet 과 같은 DL 아키텍처를 사용하여 목표 광 주파수 빗 스펙트럼을 달성하기 위해 필요한 시드 시간 프로파일을 결정하는 것과 같은 역문제를 해결합니다.

주요 기여 및 결과
이 리뷰는 AI 가enabled 된 발전을 세 가지 영역에 걸쳐 체계적으로 분류합니다:

1. MWP 신호 생성용 AI

• 혼란 신호 생성: 비선형 광전자 발진기 (NOEO) 와 AI 를 결합하여 전 광학 강화 학습 가속기를 위한 4 개의 병렬 직교 혼란 시퀀스 (18.18 GHz 대역폭) 를 생성합니다.
• 반도체 레이저 제어: 순방향 신경망 (FNN) 이 랭 - 코바야시 방정식을 모방하여 1 초 주기 (Period-One, P1) 진동 주파수를 서브 메가헤르츠 정확도로 예측합니다. 이를 통해 최적 제어 매개변수를 신속하게 결정할 수 있으며 (CPU 에서 밀리초, FPGA 에서 나노초), 수치 솔버 대비 3 개 이상의 차수만큼 효율성이 향상됩니다.
• 광 주파수 빗: 1D-ResNet 아키텍처는 목표 빗 스펙트럼을 시드 시간 프로파일로 역매핑하여 가우스, 포물선 등 다양한 스펙트럼 포락선의 프로그래밍 가능한 생성을 가능하게 하며, $10^{-1}$에서 $10^{-2}$의 오차를 달성합니다.

2. MWP 전송용 AI

• 링크 모델링: 멀티헤드 어텐션 메커니즘과 트랜스포머 기반 모델을 갖춘 심층 신경망 (DNN) 이 높은 충실도 (예: 2-GBaud 16QAM 의 경우 NMSE = 0.000819) 로 광 신호 전파를 예측하여 전통적인 순차적 처리를 능가하고 거리 및 변조 포맷 전반에 걸쳐 우수한 일반화를 제공합니다.
• 비선형 등화:
  • LSTM 기반 검출: 참조 톤을 사용한 딥러닝 검출 (DLD-RT) 시스템은 잠금 해제된 이종 링크에서 비트 오류율 (BER) 을 $10^{-1}$에서 $10^{-5}$로 감소시켜 위상 잡음 강인성 측면에서 MLP 및 CNN 아키텍처를 능가합니다.
  • FTnet: 푸리에 레이어 트랜스포머 네트워크는 엔드 - 투 - 엔드 복조를 수행하여 수신기 감도에서 3~6 dB 향상과 7% FEC 한계 미만의 BER 을 달성합니다.
• 시스템 최적화: 전이 학습 (Transfer Learning) 과 자기지도 학습 (SSL) 을 사용하는 엔드 - 투 - 엔드 프레임워크가 송신기와 수신기를 공동으로 최적화합니다. 이러한 시스템은 밀리미터파 - 광 링크에서 단일 사용자 기준 3.5 dB, 3 사용자 기준 1.5 dB 의 수신기 감도 개선을 입증했습니다.

3. MWP 신호 처리 및 검출용 AI

• 광 ADC: DL 보정 네트워크를 광 프론트엔드와 통합하여 유효 비트 수 (ENOB) 를 4.6 에서 7.3 으로 향상시켰으며 (초저 지터 레이저 사용 시 최대 9.24), 71 dB 의 잡음 없는 동적 범위 (SFDR) 를 달성했습니다.
• 표적 인식: 10 GHz 광 ADC 와 합성곱 신경망 (CNN) 을 결합하여 레이더 에코 분석을 수행한 결과, 93.05% 의 표적 인식 정확도를 달성하여 기존 전자 시스템보다 약 25% 높았습니다.
• 측정:
  • IFM: 랜덤 포레스트, SVM 등의 앙상블 학습을 적층하여 1~40 GHz 주파수 측정을 가능하게 했으며 평균 오차를 5 MHz 미만으로 유지했습니다.
  • AOA: LSTM-DNN 시스템이 $\pm80^\circ$ 범위에서 도착 각도 (angle-of-arrival) 추정의 평균 절대 오차 (MAE) 를 0.1438°로 달성하여 복잡한 위상 보정을 제거했습니다.
• 감지 및 인지: 다중 에이전트 RL 알고리즘이 전자기 간섭을 피하기 위해 고속 철도 RoF 링크의 주파수 전환을 성공적으로 조정했습니다. ML 모델 (SVR, CNN, NTK) 은 온도/습도와 같은 다중 매개변수 감지 정확도를 3 배에서 9 배까지 향상시켰습니다.
• 간섭 제거: RL 에이전트가 자가 간섭을 억제하기 위해 광 부품을 자동으로 조정했습니다. 단일 경로 시스템은 800 MHz 대역에서 8 단계로 20.18 dB 의 억제를 달성했으며, 다중 경로 DDPG 시스템은 1 GHz 대역에서 5 단계로 24 dB 의 억제를 달성했습니다.

의의 및 주장
본 논문은 AI 와 MWP 의 통합이 AI 의 자율 운영, PIC 소형화, 초대역폭의 수렴으로 정의되는 MWP 3.0으로의 전환을 의미한다고 주장합니다.

• 워크플로우의 변혁: 저자들은 AI 가 MWP 시스템의 설계, 시뮬레이션, 제조, 테스트, 배포 및 유지보수를 혁신하여 정적이고 수동 조정된 아키텍처에서 적응적이고 데이터 기반이며 자기 최적화되는 플랫폼으로 이동시키고 있다고 단언합니다.
• 성능 향상: 이 리뷰는 AI 가 비선형성, 동적 환경 및 복잡한 최적화 작업을 처리하는 데 있어 전통적인 시스템을 능가하는 뛰어난 효율성, 자율 운영 및 성능을 가능하게 한다고 강조합니다.
• 미래 전망: 본 논문은 폐쇄 루프 시스템 최적화를 위한 AI 공동 과학자/보조원과 온칩에서 직접 자체 보정 및 자기 최적화 능력을 갖춘 **AI 내장 MWP 시스템 (뉴로모픽 광학)**의 미래에 초점을 맞추고 있습니다. 또한 전자기체, 전자 및 기타 물리 영역 간의 간극을 메워 전체 스펙트럼 지능을 달성하기 위한 다중 모드 AI 에이전트의 필요성을 강조합니다.

이 리뷰는 AI 가enabled 된 MWP 에 대한 최초의 포괄적인 개요로서, 최신 기술 발전에 대한 체계적인 요약을 제공하고 학술계 및 광범위한 대중을 위한 통찰력을 제공합니다.