광학 딥러닝 네트워크에 대한 오해 바로잡기

초록

본 답변은 Wei 등(2023)의 논평에 대한 반박으로, 저자들이 제시한 Diffractive Deep Neural Network(D2NN)의 비선형·재구성 가능성 및 다층 구조가 실제로 깊이와 성능 향상을 제공함을 강조한다. 실험적 결과와 이론적 논의를 통해 단일 층 대비 다층 D2NN이 분류 정확도, 신호 대비, 회절 효율에서 우수함을 입증하고, 원 논문의 핵심 결론은 변함없음을 주장한다.

상세 분석

Wei 등은 D2NN을 “선형·수동적인 시스템”이라고 규정하며, 기존 논문(Science, DOI:10.1126/science.aat8084)의 핵심 주장을 오해했다고 비판한다. 그러나 원 논문은 초기에 선형 회절을 기반으로 설계했지만, 이후 섹션 3과 4에서 광학 비선형소자(예: 광학 크리스털, 비선형 매질)와 전기광학적 재구성 메커니즘을 도입해 네트워크의 학습 능력을 확장할 수 있음을 명시한다. 특히, 비선형성은 활성화 함수 역할을 수행해 다층 구조가 단순히 위상 변조만을 수행하는 것이 아니라, 입력 신호의 복합적인 변환을 가능하게 만든다.

다층 D2NN의 “깊이”는 물리적 층수와 자유도(free‑parameter)의 증가로 정의된다. 저자들은 1층, 3층, 5층 D2NN을 비교 실험하여, 층수가 늘어날수록 (1) 분류 정확도(예: MNIST에서 92%→98% 상승), (2) 출력 신호 대비(contrast ratio) 향상, (3) 회절 효율(전송된 광량 비율) 증가를 관찰했다. 이는 각 층이 독립적인 위상 프로파일을 제공함으로써, 입력 파동을 점진적으로 목표 패턴에 맞추는 “점진적 최적화” 과정이 가능함을 의미한다.

또한, 재구성 가능성에 대한 논의도 중요한데, 전기광학적 변조소자를 이용해 실시간으로 층별 위상을 조정할 수 있다면, 학습된 파라미터를 물리적으로 업데이트하는 것이 가능해진다. 이는 전통적인 디지털 신경망에서 가중치 업데이트와 동일한 역할을 수행한다. Wei 등은 이러한 부분을 간과하고, 단순히 “광학 회절은 선형 연산”이라는 점만을 강조함으로써 D2NN의 전체 설계 철학을 오해한다.

결론적으로, Wei 등은 D2NN의 비선형·재구성 가능성, 다층 구조가 제공하는 자유도, 그리고 실험적으로 입증된 성능 향상을 무시하고 있다. 저자들의 반박은 원 논문의 해당 섹션을 재조명하고, 다층 D2NN이 실제로 “깊이”와 “학습 능력”을 갖춘 광학 신경망임을 재확인한다.