다중모드 섬유 레이저 캐비티를 이용한 비선형 광학 프로세서

초록

본 논문은 연속파 다중모드 섬유 레이저 캐비티를 활용해 입력 이미지를 위상 패턴으로 변환하고, 다중모드 간섭과 이득 포화 동역학을 통해 고차원 비선형 변환을 수행한다. 결과적으로 얻어진 안정적인 강도 분포는 선형 리지 분류기로도 85 %‑99 %의 높은 정확도를 달성하며, 기존 딥러닝 모델에 비해 학습 파라미터 수가 수십 배 적다.

상세 분석

이 연구는 광학 컴퓨팅 분야에서 비선형 변환을 구현하기 위한 새로운 접근법을 제시한다. 기존의 광학 신경망은 주로 선형 매트릭스 연산에 의존했으며, 비선형성을 도입하려면 고출력 레이저 펄스나 비선형 매질이 필요해 에너지 효율성이 떨어졌다. 저자들은 연속파(CW) 동작이 가능한 Yb‑도핑 섬유와 그레이디드‑인덱스(GRIN) 다중모드 섬유를 결합한 Sagnac 루프 구조를 설계함으로써, 전자식 회로 없이도 자연스러운 비선형성을 구현한다.

핵심 메커니즘은 두 가지이다. 첫째, 입력 이미지를 SLM에 위상 전용 패턴으로 인코딩하면, 섬유 입구에서 다양한 공간 모드가 선택적으로 흥분된다. 둘째, 이득 포화(gain saturation) 효과가 모드 간 경쟁을 유도해 입력에 따라 서로 다른 모드 조합이 강하게 억제되거나 강화된다. 이러한 상호작용은 매 라운드 트립마다 반복되며, 결국 고정된 강도 패턴(steady‑state)으로 수렴한다. 이 패턴은 원본 이미지의 클래스 정보를 고차원 공간에 비선형적으로 매핑한 결과이며, 선형 분류기로도 충분히 구분 가능하도록 만든다.

수치 시뮬레이션에서는 UCI Glass 데이터셋을 이용해 원본 피처만 사용할 때 65 % 수준이던 정확도가, 레이저 캐비티를 통과한 후 374 %가 넘는(실제로는 374.41 %) 정확도로 상승함을 보였다. 실험에서는 네 개의 벤치마크(TrashNet, RSSCN7, OCT‑MNIST, HAM10000)를 대상으로, 원본 이미지 대비 24 %‑49 % 수준이던 정확도가 85 %‑98 %까지 크게 향상되었다. 특히, CNN 모델(ResNet‑50, VGG‑16 등)과 비교했을 때, 파라미터 수가 2,500‑10,000개에 불과함에도 불구하고 RSSCN7에서는 94.21 %(ResNet‑50 93.64 %), HAM10000에서는 85.22 %(ResNet‑50 85.30 %)의 성능을 기록했다.

이 시스템의 장점은 다음과 같다. (1) 연속파 동작으로 고출력 펄스 레이저가 필요 없으며, 전력 소모가 낮다. (2) 섬유 기반 구조는 자유공간 광학에 비해 정렬이 용이하고, 소형화가 가능하다. (3) 비선형성은 이득 포화에 의해 자연스럽게 발생하므로 별도의 비선형 매질을 삽입할 필요가 없다. (4) 고차원 모드 수가 곧 특성 공간의 차원을 결정하므로, 더 큰 코어를 가진 섬유로 확장하면 표현 능력이 크게 증가한다.

하지만 몇 가지 제한점도 존재한다. 현재 시스템은 SLM의 재프레시 속도에 의해 초당 30‑60프레임으로 제한되며, 실시간 고속 처리에는 부적합하다. 또한 환경 온도·진동 등에 민감한 섬유 특성 보정이 필요하고, 복잡한 이미지(예: 미세한 차이를 구분해야 하는 작업)나 적대적 공격에 대한 내성은 아직 검증되지 않았다. 향후 연구에서는 DMD와 같은 고속 공간 변조기 도입, 더 많은 모드 수를 가진 대용량 섬유 설계, 그리고 온칩 다중모드 파장 가이드와 통합된 이득 섹션 구현 등을 통해 처리량과 안정성을 동시에 향상시킬 수 있을 것이다.

전반적으로, 이 논문은 다중모드 섬유 레이저 캐비티를 물리적 비선형 연산 장치로 활용함으로써, 광학‑전자 하이브리드 인공지능 시스템에서 전처리 단계의 에너지 비용을 크게 절감하고, 학습 파라미터 수를 최소화하는 새로운 패러다임을 제시한다.