범용 광집적 인공지능 가속기 설계

한줄 요약

재구성 가능한 광학 회로를 기반으로 다양한 신경망을 가속할 수 있는 범용 광집적 AI 가속기 아키텍처를 제안한다.

풀어야 하는 문제

전자식 AI 가속기는 무어의 법칙 둔화와 에너지 소비 한계에 직면했으며, 기존 광학 컴퓨팅 연구는 특정 작업(예: 행렬 곱셈)에 최적화되어 범용성이 낮았다. 다양한 AI 모델을 효율적으로 지원할 수 있는 광학 하드웨어 플랫폼이 필요하다.

접근 방법

제안된 아키텍처는 Mach-Zehnder 간섭계 배열을 기반으로 한 재구성 가능한 광학 회로를 사용하여, 광학 도메인에서 행렬 연산과 비선형 활성화 함수를 수행한다. 회로의 위상 변조기를 조정함으로써 다양한 신경망 구조(CNN, RNN, Transformer 등)에 맞게 동적으로 재구성할 수 있다. 또한, 온칩 레이저와 검출기를 통합하여 전광 신호 처리를 구현하고, 전자식 제어 인터페이스를 통해 학습 및 추론을 지원한다.

결과·기여

시뮬레이션 결과, 제안된 가속기는 전자식 GPU 대비 에너지 효율이 10배 이상 향상되었으며, 다양한 벤치마크 작업(CIFAR-10, LSTM 언어 모델)에서 정확도 손실 없이 작동함을 보였다. 이 연구는 광학 AI 가속기의 범용성을 최초로 입증하여, 차세대 저전력 AI 하드웨어 개발에 중요한 이정표를 제시한다.