광학 윈그라드 기반 통합 포토닉스 CNN 가속기

** 본 논문은 광학 기반의 컨볼루션 신경망(CNN) 가속기를 설계하고 평가함으로써, 전자 회로가 직면한 전력 소모와 대역폭 제한을 극복하고자 한다. 서론에서는 AI와 CNN의 급격한 성장 배경을 설명하고, 기존 전자 가속기의 한계와 포토닉스가 제공하는 고속·저전력 특성을 소개한다. 이어서 포토닉스가 MAC 연산을 거의 무전력으로 수행할 수 있다는 점을 강조하고, 이를 구현하기 위한 핵심 소자—마이크로링 공진기(MRR)와 파장분할다중화(WDM)—를 설명한다. 다음 섹션에서는 CNN의 기본 구조와 컨볼루션 연산의 특성을 정리한다. 특히 3×3, 5×5와 같은 작은 커널이 현대 CNN(ResNet, MobileNet 등)에서 차지하는 비중을 표로 제시하며, 작은 커널이 광학 회로에서 구현하기에 유리함을 논증한다. 핵심 설계 부분에서는 윈그라드 필터링 알고리즘을 도입한다. 윈그라드 변환은 2×2 또는 4×4 행렬 형태로 컨볼루션을 재구성해 연산량을 크게 감소시킨다. 변환된 행렬은 WDM 채널에 매핑되고, 각 채널은 MRR 가중치 네트워크를 통해 광학적으로 곱해진다. 가중치는 6‑bit 멤리스터에 저장된 전압으로 제어되며, 이는 MRR의 공진 주파수를 미세하게 이동시켜 광 신호의 전송량을 조절한다. 가중치가 적용된 광 신호는 포토디텍터에서 전류로 변환되어 합산, 즉 MAC 연산이 완성된다. 광학 회로의 구현 세부 사항으로는 MRR의 Q‑factor(≈10⁴), 자유 스펙트럼 범위(FSR) 50 nm, 채널 간 간격 0.8 nm, 교차‑talk -10 dB 등을 제시한다. 현재 기술로는 약 108개의 파장 채널을 동시에 운용할 수 있어, 10 k 수준의 연결성을 제공한다. 이는 완전 연결층(FC)보다는 지역적 연결을 갖는 CNN에 적합하다. 멤리스터 기반 가중치 저장 장치는 20 µm × 20 µm 면적에 6‑bit 해상도를 제공한다. AlexNet의 가장 큰 컨볼루션 레이어(≈884 k 가중치)를 구현하려면 약 0.25 cm² 면적이 필요하므로, 실리콘 포토닉스와 결합해도 충분히 칩에 통합 가능하다. 속도 분석에서는 MRR의 전기‑광 변조 속도(최대 50 GHz)와 포토디텍터의 대역폭(40 GHz 이상)을 고려한다. 광 신호의 전파 지연은 수십 피코초 수준이며, 이는 전자 회로의 수십 나노초 지연에 비해 현저히 빠르다. 전체 레이턴시는 광학 회로 내 MRR 수와 배치 피치에 의해 결정된다. 전력 분석에서는 레이저 출력, MRR 구동 전압, 포토디텍터 전류 증폭기, 그리고 전·광 변환 손실을 모두 포함한다. 동적 전력 범위는 포토디텍터의 최소 감지 전력(NEP≈1 pW/√Hz)과 비선형성 제한 사이에서 최적화되며, 약 20 dB의 동적 범위를 가진다. 시뮬레이션 결과, 동일 연산을 수행하는 최신 전자 가속기 대비 에너지 효율이 최대 10³배 향상될 수 있음을 보여준다. 노이즈와 공정 변동에 대한 견고성도 평가한다. MRR의 온도·전압 변동, 전압 설정 오차, 파장 간 교차‑talk 등이 인퍼런스 정확도에 미치는 영향을 모델링하고, 훈련 단계에서 이러한 잡음을 포함한 ‘노이즈‑인식 훈련’ 기법을 적용한다. 결과적으로, 잡음 수준이 증가해도 정확도 저하가 최소화되는 것을 확인한다. 마지막으로, 논문은 현재 포토닉스 기술 수준에서 실현 가능한 CNN 가속기의 설계 가이드라인을 제시한다. 윈그라드 변환이 작은 커널에 최적화되어 있어, MRR‑WDM 구조와 자연스럽게 매칭된다. 향후 연구 방향으로는 대규모 네트워크에 대한 파장 채널 확장, 온도 보상 회로, 그리고 완전 광학 학습(학습 단계에서도 광학 연산을 수행) 등을 제시한다. 전체적으로, 이 연구는 광학 회로와 알고리즘 최적화를 결합해 차세대 AI 가속기의 가능성을 실증적으로 보여준다. **