실리콘 마이크로링 교차배열 기반 온칩 광신경망

초록

본 논문은 실리콘 마이크로링 공진기(MRR) 교차배열을 이용해 광학 행렬‑벡터 곱(MVM)을 구현하고, 전치 연산을 활용한 온칩 역전파(back‑propagation)까지 수행할 수 있는 온칩 학습 가능한 광신경망(ONN) 프로토타입을 제시한다. 4 × 4 MRR 교차배열을 완전 통합 구현하여 간단한 분류 실험을 시연했으며, 기존 실리콘 포토닉 회로가 안고 있던 확장성·전력소비·학습 프레임워크 부재 문제를 해결한다는 점에서 향후 대규모 딥러닝 가속기에 적용 가능성을 보여준다.

상세 분석

이 연구는 실리콘 포토닉 집적 회로(Si‑PIC) 기반 ONN의 핵심 병목인 확장성 및 전력 효율성을 MRR 교차배열 구조로 근본적으로 개선한다. MRR은 파장 선택성을 이용해 가중치를 아날로그적으로 인코딩할 수 있어, 전기‑광 변환 단계 없이도 직접 광학적으로 가중치 행렬을 구현한다. 4 × 4 교차배열은 각각의 마이크로링에 전압을 가해 공진 파장을 미세 조정함으로써 가중치를 실시간 재구성할 수 있다. 이때 전압‑공진 파장 관계는 선형 근사 영역을 활용해 가중치 정밀도를 확보하고, 온‑칩 열 관리 설계와 저전압 구동 회로를 결합해 전력 소모를 기존 Mach‑Zehnder 인터페러터 기반 설계 대비 10배 이상 절감한다.

특히 논문은 MRR 교차배열의 전치 연산을 이용한 온칩 역전파 메커니즘을 제안한다. 전치 행렬은 입력 포트와 출력 포트를 물리적으로 교환하고, 동일한 광학 경로를 재활용함으로써 추가적인 광학 소자를 도입하지 않고도 오차 역전파를 수행한다. 이는 전통적인 전자‑광 하이브리드 학습에서 발생하는 데이터 이동 비용을 크게 낮춘다. 또한, 광학 신호의 선형성 보장을 위해 온도 보상 루프와 피드백 제어 알고리즘을 적용했으며, 실험적으로 0.9 dB 이하의 삽입 손실과 0.02 rad 이하의 위상 오차를 달성했다.

학습 과정에서는 미분 가능한 가중치 업데이트를 위해 전압‑가중치 매핑을 미세 조정하고, 광학 신호의 잡음(포톤 shot noise, 열 잡음)과 디지털-아날로그 변환(DAC) 해상도에 따른 신호‑대‑잡음비(SNR)를 분석하였다. 결과적으로 4 × 4 교차배열은 92 % 이상의 정확도로 MNIST와 유사한 2‑class 데이터셋을 분류했으며, 학습 단계에서도 전력 소모가 5 mW 이하로 유지되었다. 이러한 성과는 MRR 기반 ONN이 대규모 매트릭스 연산을 저전력·고속으로 수행하면서도 온칩 학습까지 지원할 수 있음을 실증한다.