레이저 간섭계 기반 견고한 뉴로모픽 머신러닝 플랫폼

초록

본 논문은 선형 광학 자원(필드 변위와 간섭)만을 이용해 연속 변수(coherent) 광 상태에 입력을 위상 변환으로 인코딩함으로써 비선형 학습을 구현한다. 동일 회로를 이용한 파라미터‑시프트와 물리적 역전파 기법으로 in‑situ 학습이 가능하며, 광자 손실에 대한 강인성을 실험적으로 검증한다.

상세 분석

이 연구는 기존 광학 뉴럴 네트워크가 직면한 비선형 소자 구현의 복잡성을, 입력 데이터를 위상 변환 θ에 직접 매핑함으로써 회피한다는 점에서 혁신적이다. 위상 변환은 광장의 실수·허수 성분에 대해 cos θ, sin θ 형태의 비선형 함수를 제공하므로, 실제 필드 자체는 선형 연산만을 수행하면서도 네트워크 전체는 비선형 매핑을 수행한다. 논문은 이를 Gaussian 양자 광학 형식으로 기술하여, 평균값 r과 공분산 Σ을 이용한 전역 상태 기술을 가능하게 한다.

시스템은 M‑mode 레이저 인터페론터와 M×M 유니터리 행렬 U(θ)로 구성되며, 모든 모드 쌍 사이에 가변 투과율 θ를 갖는 비스플리터를 배치한다. 이는 전통적인 인접 MZI 배열보다 파라미터 수가 O(M²)로 증가해 표현력을 크게 높인다. 편향은 입력 전후에 적용되는 변위 d(α)로 구현한다. 출력은 Q‑쿼드라처의 평균값 ⟨Q⟩을 호모다인 검출로 측정하며, 이는 실수값을 직접 제공해 기존 뉴럴 네트워크와 동일한 손실 함수 적용이 가능하도록 한다.

학습 단계에서는 파라미터‑시프트 규칙을 이용해 각 θ에 대한 그래디언트를 직접 측정한다. Gaussian 회로의 경우 ∂⟨O⟩/∂θ = ½