Binary Amplitude Modulation Suppresses Noise Up-Conversion in Coherent Diffractive Optical Networks

기술 요약: 이진 진폭 변조를 통한 코히어런트 회절 광학 네트워크의 노이즈 업컨버전 억제

문제 정의
D²NN(Diffractive Deep Neural Networks)과 같은 코히어런트 파동 광학 아날로그 프로세서는 연속적이고 고차원적인 변조 공간(복소 진폭 및 위상) 내에 연산을 인코딩한다. 이러한 시스템은 매우 강력하지만, 본질적으로 확률적 노이즈에 취약하다. 제작 오차, 열 드리프트 또는 검출기 노이즈로부터 발생하는 섭동은 연속적인 공간으로 투영되어 신호를 담고 있는 광학장(optical field)과 혼합되어 출력을 오염시킨다. 선행 연구들은 D²NN의 제작 결함이 시뮬레이션과 실제 구현 사이에서 정확도를 10 퍼센트 포인트 이상 떨어뜨릴 수 있음을 지적해 왔다. 핵심 과제는 분류 충실도(classification fidelity)를 희생하지 않으면서 이러한 "노이즈 업컨버전(noise up-conversion)"을 억제하는 메커니즘을 식별하는 것이다.

방법론
저자들은 변조 매니폴드를 연속적인 복소수 값에서 이진 진폭 $\{0, 1\}$(완전 불투명 또는 완전 투과)로 제한하는 **이진 진폭 마스크 D²NN(BM-D²NN)**을 제안하고 분석한다.

• 아키텍처: 네트워크는 프레넬 자유 공간 전파(Fresnel free-space propagation)와 교대로 배치되는 $N$개의 변조 레이어로 구성된다. 광학장의 진화는 프레넬 전달 함수에 의해 지배된다.
• 학습: 이진 마스크는 미분 불가능하므로, 저자들은 이를 학습시키기 위해 **직통 추정기(Straight-Through Estimator, STE)**를 사용한다. 순전파(forward pass)에서는 이진화된 마스크 값(임계값 0.5)을 사용하며, 역전파(backward pass)에서는 스텝 함수를 통과하는 단위 기울기를 가정한다.
• 노이즈 모델: 견고성(robustness)은 깨끗한 테스트 이미지에 픽셀 단위 가우시안 노이즈 $\mathcal{N}(m, \sigma^2)$를 추가하여 평가된다. 이 프레임워크는 두 가지 물리적 영역을 포괄한다: 제로 평균 노이즈(샷 노이즈 모델링)와 비제로 평균 노이즈(열 암전류 및 판독 노이즈 모델링).
• 이론적 프레임워크: 저자들은 $z/\lambda \gg 1$ 조건(여기서 $z$는 전파 거리, $\lambda$는 파장) 하에서 복소 광학장 샘플이 Proper-Complex-Gaussian (PCG) 통계를 따른다는 관찰을 바탕으로 폐쇄형 해석 이론을 도출하였다. 이를 통해 노이즈가 섞인 몬테카를로 시뮬레이션을 수행할 필요 없이 전파 레이어를 통한 모멘트 추적이 가능하다.

주요 기여

1. 변조-차원-견고성 트레이드오프: 본 논문은 근본적인 원칙을 확립한다: 변조 매니폴드를 이진 진폭으로 제한하면 확률적 노이즈 업컨버전을 억제한다. 고차원의 노이즈-신호 혼합 채널을 붕괴시킴으로써, 이진 마스크는 노이즈에 대한 암묵적인 공간 저역 통과 필터 역할을 한다.
2. 해석적 노이즈 메트릭 ($C$ 및 $K$): 저자들은 투과 바이어스 계수 $K$에 의해 제어되는 노이즈 기여 메트릭 $C$를 도출한다.
   • $K$는 여러 레이어에 걸친 깨끗한 이미지의 강도 프로파일과 변조 투과 사이의 누적된 공간적 정렬을 정량화한다.
   • 이론은 이진 변조의 경우 누적된 바이어스 $\tilde{K}$가 연속 변조보다 일관되게 덜 음수(즉, $\tilde{K} > K$)임을 증명한다.
   • 이는 $\tilde{C} < C$라는 부등식으로 이어지며, 이진 아키텍처가 신호 강도 대비 더 낮은 노이즈 기여도를 가짐을 보장한다.
3. 클린 데이터 예측기: 클린 데이터만으로도 견고성 순위($\tilde{C} < C$)를 예측할 수 있다는 점을 입증한 것이 중요한 기여이다: 메트릭 $K$는 깨끗한 순전파로부터 계산 가능하므로, 아키텍처를 스크리닝하기 위해 노이즈가 섞인 시뮬레이션이나 하드웨어 노이즈 통계에 대한 사전 지식이 필요하지 않다.

결과

• 분류 정확도: 7개 레이어의 BM-D²NN은 MNIST에서 90.92%, Fashion-MNIST에서 **81.94%**의 정확도를 달s한다. 이는 연속 변조 방식인 C-D²NN(각각 92.75%, 85.27%)의 성능과 2~4 퍼센트 포인트 차이 이내이다.
• 노이즈 견고성: 픽셀 단위 가우시안 노이즈 하에서 BM-D²NN은 C-D²NN보다 현저히 우수한 성능을 보인다.
  • 최대 격차는 $m=45, \sigma=10$ (BM-D²NN: 81.21% vs. C-D²NN: 48.39%)일 때 MNIST 기준으로 +32.82 퍼센트 포인트에 달한다.
  • BM-D²NN은 모든 테스트된 레이어 수($N \in [5, 15]$)와 노이즈 영역(제로 평균 및 비제로 평균 모두)에서 우수한 성능을 유지한다.
  • 이러한 이점은 샷 노이즈 한계($m=0$)에서도 지속되며, 이는 메커니즘이 노이즈 평균과 무관함을 확인시켜 준다.
• 강도 향상: 이진 변조는 연속 변조에 비해 깨끗한 데이터 입력에 대해 6.79배 높은 이미징 평면 강도를 생성한다. 이는 이진 마스크가 $[0, 1]$ 범위에서 전력을 감쇠시키는 연속 진폭 변조와 달리, 완전히 투과하거나 차단하기 때문이다. 노이즈 조건에서도 이 이득은 약 4.5배로 유지된다.
• 검증: 이론적 예측인 $\tilde{K} > K$는 테스트된 10,000개의 MNIST 샘플 중 **100%**에서 성립한다. 또한, 20개의 독립적으로 훈련된 모델 패밀리 전반에 걸쳐 노이즈 기여 메트릭과 총 에러율 사이에 강력한 전역 상관관계($R^2 = 0.964$)가 존재한다.

의의
본 논문은 코히어런트 광학 컴퓨팅에서 변조 매니폴드 기하학과 노이즈 견고성을 연결하는 정량적 물리 원칙을 확립했다고 주장한다. 핵심 발견은 직관에 반한다: "적은 것이 더 많은 것이다(less is more)." 변조 공간의 자유도(연속 복소수에서 이진으로)를 줄임으로써, 시스템은 분류 정확도를 경쟁력 있게 유지하면서도 노이즈에 더 견고해진다.

이 원칙은 프레넬 전파가 위상을 무작위화하여 PCG 통계를 생성하는 $z/\lambda \gg 1$ 영역에서 작동하는 모든 코히어런트 광학 프로세서에 적용 가능하다. 본 연구는 특정 노이즈 환경을 특성화하거나 광범위한 노이즈 시뮬레이션을 수행할 필요 없이, 깨끗한 데이터만을 사용하여 견고한 아키텍처를 선택할 수 있는 사전 제작 스크리닝 기준($K$)을 제공한다. 이는 제작 결함에 강한 광자 머신 러닝 하드웨어를 설계하는 직접적인 경로를 제시한다.