희소 데이터에서도 뛰어난 비전, 비선형 포톤 네트워크 레이저

초록

본 논문은 무작위 네트워크 레이저 내부의 다중 라싱 모드가 서로 억제·흥분하며 작동하는 방식을 망막의 측면 억제 메커니즘에 빗대어 구현한다. 입력 이미지를 디지털 마이크로미러 장치로 펌핑하면, 서로 다른 파장·공간 모드가 동시에 여러 특징을 감지하고, 이를 기반으로 소량의 학습 데이터만으로도 MNIST, Fashion‑MNIST, BreaKHis, HAM10k 등에서 높은 정확도와 세그멘테이션 성능을 달성한다.

상세 분석

이 연구는 기존 전자 기반 뉴로모픽 시스템이 주로 흥분성(Excitatory) 비선형성에만 의존하는 반면, 생물학적 시각 시스템이 갖는 억제성(Inhibitory) 상호작용을 물리적 광학 시스템에 도입한 점이 가장 큰 혁신이다. 실험에 사용된 150 µm 직경의 InP 랜덤 네트워크 레이저는 Voronoi 형태의 파장 가이드 네트워크를 형성하며, 각 가이드의 교차점에서 다수의 라싱 모드가 형성된다. 펌프 빔을 DMD로 조절해 입력 이미지를 작은 윈도우(4×4 픽셀) 단위로 순차적으로 조사하면, 각 윈도우에 대응하는 광학 이득 분포가 달라져 모드별 라싱 임계값이 변한다. 이때 동일한 공간을 공유하는 모드들 간에 ‘홀 버닝’과 같은 비선형 경쟁이 발생해, 어떤 모드는 강화되고 다른 모드는 억제된다. 이러한 억제·흥분의 이중 비선형성은 각 모드가 특정 이미지 특징(수평·수직 에지, 코너 등)에 민감하게 반응하도록 만들며, 결과적으로 스펙트럼 채널 자체가 다중 특징 맵을 동시에 출력한다.

특히 저자들은 실험적으로 10개의 라싱 모드가 서로 다른 특징을 병렬 검출함을 확인했으며, 시뮬레이션(netSALT)에서는 239개의 잠재 모드 중 172개가 특정 입력에 대해 라싱을 일으킨다. 이러한 고차원 비선형 동역학은 전통적인 CNN에서 커널을 순차적으로 스캔하고 비선형 활성화를 별도로 적용해야 하는 과정을 물리적으로 한 번에 수행한다는 점에서 에너지·시간 효율성을 크게 향상시킨다.

학습 단계에서는 라싱 스펙트럼을 직접 피처 벡터로 사용하거나, 각 모드의 강도값을 정규화한 후 간단한 선형 분류기(예: 로지스틱 회귀) 혹은 소규모 MLP에 입력한다. 실험 결과는 훈련 샘플이 수백 장에 불과한 상황에서도 EfficientNet‑V2‑B0(7.9 M 파라미터)와 ViT‑B/16(86 M 파라미터) 등 대형 소프트웨어 모델을 능가한다는 것을 보여준다. MNIST에서 98.05 %, Fashion‑MNIST에서 87.85 %의 정확도를 기록했으며, 클래스 불균형이 심한 BreaKHis 유방암 데이터셋에서는 90.12 %의 정확도를 달성했다. 또한 HAM10k 피부 병변 데이터에 대해 DICE 84.49 %, Jaccard 74.80 %라는 높은 세그멘테이션 지표를 얻어, 특징 검출과 분류·세그멘테이션을 하나의 물리 시스템에서 통합할 수 있음을 입증했다.

이 논문의 한계로는 현재 시스템이 외부 레이저 펌프와 고속 카메라 등 오프칩 광학 부품에 의존한다는 점, 그리고 라싱 모드 수와 스펙트럼 해상도가 물리적 설계에 따라 제한된다는 점을 들 수 있다. 향후 온칩 펌프와 집적 검출기를 결합하면 완전한 광학 뉴로모픽 칩으로의 전환이 가능할 것으로 기대된다.