다중 주파수 채널을 활용한 광학 회절 딥 뉴럴 네트워크

초록

본 논문은 광학 회절 기반 딥 뉴럴 네트워크(DNNet)에 다중 주파수 채널을 도입하여, 각 레이어에서 서로 다른 파장의 광분포를 동시에 전파하고 최종 출력면에서 결합함으로써 인식 정확도를 크게 향상시킨다. 패션‑MNIST와 EMNIST 실험 결과, 단일 주파수 DNNet 대비 다중 주파수 DNNet이 현저히 높은 정확도를 보였으며, 전통적인 MLP와의 구조·동작 차이를 분석하고, 광학 변조 과정을 활성화 함수로 해석한다. 또한 오픈소스 패키지 ONNet을 공개하여 재현성을 확보하였다.

상세 분석

광학 회절 딥 뉴럴 네트워크(DNNet)는 입력 영상을 광학 파면으로 변환한 뒤, 여러 개의 회절 층을 통과시키며 전파되는 빛의 위상과 진폭을 물리적으로 조절하는 방식으로 연산을 수행한다. 기존 연구에서는 동일 파장의 단일 채널만을 사용했으며, 이는 파장에 따른 회절 패턴이 제한적이어서 표현력에 한계가 있었다. 본 논문은 이러한 한계를 극복하기 위해 각 레이어에 다중 주파수 채널을 병렬로 배치한다. 구체적으로, 동일한 레이어 구조 안에 서로 다른 파장(예: 450 nm, 550 nm, 650 nm)의 광학 분포를 동시에 전파시키고, 각 파장은 독립적인 위상 매트릭스를 통해 조절된다. 다중 파장은 서로 다른 회절 응답을 생성하므로, 동일한 입력에 대해 보다 풍부한 특성 맵을 얻을 수 있다. 최종 출력면에서는 파장별 전파된 광 강도를 물리적으로 합산하거나 가중합을 수행함으로써 다중 채널 정보를 하나의 분류 결과로 통합한다.

이러한 설계는 두 가지 주요 장점을 제공한다. 첫째, 파장 다양성 자체가 일종의 “다중 스케일” 특성 추출 역할을 하여, 복잡한 패턴 인식에 필요한 고차원 특징을 물리적으로 구현한다. 둘째, 광학 회절 과정은 전력 소모가 거의 없으며, 빛의 전파 속도에 의해 연산이 즉시 이루어지므로 실시간 처리에 유리하다. 실험에서는 패션‑MNIST와 EMNIST 데이터셋에 대해 단일 파장 DNNet이 88 % 수준의 정확도를 보인 반면, 3채널 다중 파장 DNNet은 94 % 이상, 최적화된 5채널 구성에서는 96 %에 근접하는 성능을 기록하였다. 이는 기존 전자식 MLP(다층 퍼셉트론)와 비교했을 때, 동일 파라미터 수 기준에서 4~6 % 포인트의 정확도 향상을 의미한다.

또한 논문은 DNNet의 각 회절 층이 수행하는 위상 변조를 “광학 활성화 함수”로 해석한다. 전통적인 신경망에서 비선형 활성화 함수가 필요하듯, 회절 층은 파면의 위상을 비선형적으로 조절함으로써 입력 신호를 복합적으로 변형한다. 다중 주파수 채널을 도입하면 이러한 비선형 변조가 파장마다 다르게 적용되어, 전체 네트워크의 비선형성 및 표현력이 크게 증대된다.

마지막으로, 저자들은 ONNet이라는 파이썬 기반 오픈소스 패키지를 제공한다. ONNet은 파장별 회절 매트릭스 설계, 전파 시뮬레이션, 그리고 최적화 루프를 통합한 프레임워크로, 연구자들이 손쉽게 다중 주파수 DNNet을 구현하고 실험할 수 있게 한다. 코드와 데이터셋이 공개돼 있어 재현성 및 확장성이 뛰어나다.

요약하면, 다중 주파수 채널을 활용한 DNNet은 광학 회절 기반 연산의 물리적 한계를 극복하고, 전력 효율성과 초고속 처리라는 고유 장점을 유지하면서도 인식 정확도를 크게 끌어올린 혁신적인 접근법이라 할 수 있다.