Fully analog end-to-end online training with real-time adaptability in integrated photonics

살아있는 뇌가 학습하는 방식처럼 학습하는 컴퓨터를 상상해 보십시오. 즉, 고정되고 미리 작성된 대본을 따르는 것이 아니라, 새로운 정보와 마주할 때마다 스스로의 연결 구조를 끊임없이 조정하는 방식입니다. 수십 년 동안 과학자들은 이러한 생물학적 유연성을 모방한 기계를 구축하여, 더 빠르고 효율적이며, 복잡하고 변화무쌍한 현실 세계에서 작동할 수 있는 인공지능을 만들고자 노력해 왔습니다. 디지털 스위치가 켜지거나 꺼지는 방식에 의존하는 전통적인 컴퓨터는 이러한 연속적인 적응에 어려움을 겪습니다. 이들은 종-종 다시 시도하기 전에 실수를 통해 배우기 위한 별도의 시간이 많이 소요되는 단계를 필요로 합니다. 광학 컴퓨팅으로 알려진 포토닉스(photonics) 영역에서 연구자들은 정보를 처리하기 위해 전기 대신 빛의 줄기를 사용하는 칩을 구축했습니다. 그러나 하나의 큰 장애물이 남아 있었습니다. 바로 이러한 빛 기반 시스템이 느리고 외부적인 디지털 두뇌의 지시 없이, 실시간으로 즉각적으로 학습하도록 만드는 것이었습니다.

최근 한 연구팀은 이 간극을 메우는 작동 가능한 프로토타입을 선보였습니다. 그들은 빛의 아날로그 영역 내에서 외부 컴퓨터의 계산 없이 완전히 스스로 학습하고, 적응하며, 스스로를 교정할 수 있는 실리콘 칩을 제작했습니다. 최근 연구에서 설명된 이 시스템은 갑작스러운 날씨 변화를 헤쳐 나가는 자율 주행 자동차나 변화하는 온도에 적응하는 센서 네트워크와 같이 역동적인 환경에서 자율적으로 작동할 수 있는 기계를 향한 중요한 진전을 나타냅니다. 연구진은 광학 프로세서가 실제로 작동하는 동안 자신의 내부 설정을 스스로 업데이트할 수 있음을 증명함으로써, 인공지능이 빠를 뿐만 아니라 회복 탄력성이 있고 자립적일 수 있는 길을 보여주었습니다.

이 성과의 핵심은 기계를 가르치는 새로운 방식에 있습니다. 대부분의 현재 시스템에서는 컴퓨터가 작업을 수행하고, 결과를 확인하고, 오차를 계산한 다음, 설정을 업데이트합니다. 이는 지연을 발생시키는 2단계 과정입니다. 그러나 이 새로운 시스템은 작업하는 동안 학습합니다. 이 시스템은 '다중화된 경사 하강법(multiplexed gradient descent)'이라는 방법을 사용하는데, 이는 복잡하게 들릴 수 있지만 단순한 시행착오의 원리로 작동합니다. 칩은 자신의 내부 설정인 '가중치(weights)'에 미세하고 빠른 조정을 가하고, 그 변화가 최종 결과에 어떤 영향을 미치는지 즉시 측정합니다. 만약 작은 수정이 결과를 개선한다면 칩은 그 방향을 유지하고, 결과가 나빠진다면 원래대로 되돌립니다. 결정적으로, 칩은 이를 디지털 시뮬레이션에 의존하여 파악하는 대신, 자신의 변화가 미치는 영향을 보기 위해 물리적으로 빛의 출력을 측정함으로써 수행합니다. 이를 통해 학습과 실행이 정확히 동시에 일어날 수 있습니다.

이 아이디어를 테스트하기 위해 연구진은 단일 집적 광학 프로세서를 제작했습니다. 이는 표준 산업 기술을 사용하여 제조된 단일 실리콘 칩으로, 빛을 가두고 안내하는 아주 작은 링들을 포함하고 있습니다. 이 링들은 신경망의 조절 가능한 가중치 역할을 합니다. 팀은 다양한 색상의 빛을 사용하여 칩에 데이터를 입력했는데, 각 색상은 정보의 한 조각을 운반합니다. 빛이 링을 통과할 때, 시스템은 계산을 수행하기 위해 링의 특성을 조정합니다. 시스템을 훈련시키기 위해, 그들은 링에 미세하고 무작위적인 진동을 가하고 빛의 출력이 어떻게 변하는지 관찰했습니다. 이러한 변화를 관찰함으로써, 칩은 더 나은 답을 얻기 위해 자신의 설정을 어떻게 조정해야 하는지 정확히 판단할 수 있었습니다. 이 과정은 전적으로 빛과 열의 아날로그 세계에서 이루어졌으며, 일반적으로 속도를 늦추는 복잡한 디지털 계산을 우회했습니다.

결과는 놀라웠습니다. 시스템은 높은 정확도로 다양한 패턴을 구별하며 데이터를 분류하는 법을 성공적으로 학습했습니다. 더 중요한 것은, 인간의 개입 없이 환경 변화에 적응하는 능력을 입증했다는 점입니다. 한 실험에서 연구진은 칩이 작동하는 동안 게임의 규칙을 변경했습니다. 그들은 시스템이 여러 각도로 회전하는 선을 기준으로 데이터를 분류하도록 요청했습니다. 몇 분마다 각도가 바뀌었습니다. 칩은 실패하거나 재프로그래밍될 필요 없이, 변화를 빠르게 감지하고 내부 가중치를 조정한 뒤, 단 몇 초 만에 데이터를 올바르게 분류하는 작업을 재개했습니다. 칩은 각 변화 직후 거의 즉시 높은 수준의 정확도를 회복했으며, 이는 실시간으로 움직이는 목표물을 추적할 수 있음을 증명했습니다.

연구진은 또한 정밀한 광학 장치에서 흔히 발생하는 문제인 물리적 교란에 대한 시스템의 회복력을 테스트했습니다. 광학 칩은 온도에 민-감한 경우가 많습니다. 열이 조금만 상승해도 빛의 경로가 왜곡되어 계산을 망칠 수 있습니다. 통제된 테스트에서 팀은 장치가 현실 세계에서 마주칠 수 있는 상황을 시뮬레이션하여 칩의 온도를 몇 도 변화시켰습니다. 온도가 상승함에 따라 칩의 성능은 처음에 떨어졌습니다. 그러나 시스템은 지속적으로 학습하고 있었기 때문에, 품질 저하를 감지하고 환경적 스트레스에 대응하여 설정을 자동으로 조정했습니다. 칩은 정확도를 이전 수준으로 회복시켜, 환경적 스트레스로부터 스스로를 치유하는 효과를 보여주었습니다. 이러한 자기 교정은 지속적으로 일어났으며, 이를 통해 장치는 주변 조건이 변하더라도 안정적인 작동을 유지할 수 있었습니다.

이 기술이 더 복잡한 작업으로 어떻게 확장될 수 있는지 이해하기 위해, 연구진은 시스템의 '디지털 트윈'을 제작했습니다. 이는 훨씬 더 많은 연결 층을 가진 훨씬 더 큰 네트워크를 시뮬레이션하는 가상 모델이었습니다. 그들은 이 모델을 사용하여 음양 기호와 유사한 형태를 분류하는 도전적인 과제를 테스트했는데, 이는 시스템이 복잡하고 비선형적인 경계를 이해해야 하는 문제입니다. 시뮬레이션 결과, 실제 하드웨어에 내재된 불완전함과 노이즈가 있음에도 불구하고 시스템이 높은 정확도를 달ino 할 수 있음을 보여주었습니다. 가상 모델은 작은 물리적 칩에서 사용된 방법이 훨씬 더 크고 정교한 네트워크에서도 작동할 수 있음을 확인해주었으며, 이는 이 접근 방식이 단순한 실험에 국한되지 않음을 시사합니다.

이 새로운 접근 방식의 속도와 효율성은 주목할 만합니다. 물리적 칩은 매우 빠르며, 빛은 단 몇 피코초(1조 분의 1초) 만에 칩을 통과합니다. 현재 버전의 칩은 가중치를 조정하기 위해 열을 사용하며, 이는 안정화되는 데 1초 미만의 시간이 걸리지만, 연구진은 향후 버전에서 전기 신호를 사용하여 이러한 조정을 훨씬 더 빠르게 만들어 학습 과정을 천 배 더 빠르게 만들 수 있다고 언급했습니다. 에너지 소비 또한 매우 낮습니다. 결과를 읽는 데 필요한 전자 장치를 포함한 전체 시스템은 작은 전구 하나보다 적은 전력을 사용합니다. 이러한 속도와 낮은 에너지 소비의 결면은 이러한 칩이 언젠가 배터리를 소모하지 않고도 찰나의 결정을 내려야 하는 장치들에 동력을 공급할 수 있음을 시사합니다.

이 연구가 인공지능의 모든 문제를 해결했다고 주장하는 것은 아니지만, 하드웨어가 지속적으로 학습하고 실시간으로 적응하지 못하는 특정적이고 결정적인 병목 현상을 다루고 있습니다. 학습 과정을 하드웨어 내부로 직접 옮기고 이를 아날로그 영역에서 유지함으로써, 연구진은 디지털 프로세싱과 관련된 지연과 에너지 비용을 제거했습니다. 시스템은 그러한 섬세한 장치들을 괴롭히는 노이즈와 불완전함에 대해 견고하며, 현실 세계의 예측 불가능성을 처리할 수 있습니다. 이 연구는 기계가 진행하면서 학습하고, 변화하는 환경에 맞춰 자신의 내부 로직을 조정할 수 있다는 것을 보여주는 구체적인 증거를 제공합니다. 이러한 능력은 단순히 빠른 것을 넘어, 유연하고 자립적이며 전통적인 컴퓨터가 어려움을 겪는 역동적인 조건에서도 작동할 수 있는 차세대 지능형 시스템의 문을 열어줍니다.