신경형 실리콘 포토닉 네트워크

초록

본 논문은 마이크로링 가중치 뱅크를 이용해 재구성 가능한 광학 신경망을 구현하고, 연속시간 재귀 신경망(CTRNN) 모델과의 동역학적 동형성을 실험적으로 입증한다. 단일 노드의 커스프 분기와 두 노드의 호프 분기를 관찰함으로써 광학 회로가 신경망 수학 모델과 일치함을 보이고, 24노드 시뮬레이션을 통해 라플라스 방정식 해결 시 294배 가속을 예측한다. 또한, 실리콘 포토닉 플랫폼에 적합한 변조기 기반 뉴런의 전력 소모 분석을 제시한다.

상세 분석

이 연구는 광학 신호의 파장분할 다중화(WDM)와 마이크로링(MRR) 가중치 뱅크를 결합한 “broadcast‑and‑weight” 구조를 실리콘 포토닉 칩에 구현함으로써, 물리적 회로와 연속시간 재귀 신경망(CTRNN) 수식 사이의 엄격한 동형성을 입증한다. 저자들은 먼저 단일 뉴런에 자기 피드백 가중치 (w_{11}) 를 가변시켜 커스프(cusp) 분기를 유도하고, 실험 데이터와 모델식(식 S1.1‑S1.4)의 3차원 표면을 정량적으로 맞춤시켜 피치포크, 이중안정성, 커스프 곡선이 일치함을 확인한다. 이어서 두 뉴런을 비대칭적으로 연결한 2‑node 네트워크에서 대각선 가중치를 동일하게, 비대각선 가중치를 고정함으로써 호프(Hopf) 분기를 유도한다. 실험적으로 관찰된 진동의 진폭‑가중치 관계는 포물선 형태의 이론적 곡선과 일치하고, 진동 주파수는 임계점 근처에서 선형적으로 증가하는 모델 예측을 따른다. 이러한 동역학적 일치는 전자 저역통과 필터링이 충분히 적용되어 지연 효과가 억제된 상태에서 이루어졌으며, 열 교차에 의한 가중치 오차가 전이 영역에서 약간의 불일치를 초래한다는 점도 상세히 논의된다.

동형성을 바탕으로 저자들은 NEF(Neural Engineering Framework) 기반 “신경 컴파일러”를 사용해 24‑node 포토닉 CTRNN을 시뮬레이션하고, 라플라스 방정식(로렌즈 어트랙터) ODE를 해결하도록 프로그래밍했다. 시뮬레이션 결과는 CPU 기반 수치 해와 위상 공간 및 시간 축에서 거의 동일한 궤적을 보였으며, 물리적 시간‑시뮬레이션 시간 스케일링 인자 (\gamma) 를 통해 실시간 가속률을 294배로 추정했다. 전력 분석에서는 레이저 기반 뉴런 대신 전기‑광 변조기(MZM) 기반 뉴런을 채택함으로써, 전력 소비를 수십 밀리와트 수준으로 낮출 수 있음을 제시한다. 이는 실리콘 포토닉 플랫폼과의 호환성을 확보하고, 대규모 신경망 구현 시 열 관리와 전력 효율성을 크게 개선한다는 의미이다. 전체적으로 이 논문은 광학 회로 설계, 비선형 동역학, 신경망 이론을 통합하여, 초고속·초저전력 뉴로모픽 컴퓨팅의 실현 가능성을 실험적으로 입증한 획기적인 연구라 할 수 있다.