중국 과학자들은 로봇이 즉각적으로 사고하도록 하여 실리콘 광통신의 발전을 가속화하고 있다

포토닉 뉴로모픽 계산에서 돌파구에 대한 뉴스

시디안 대학(Xidian University)의 과학자들은 보상 학습을 통해 전기 신호로 변환하지 않고도 학습할 수 있는 최초의 완전 광 기반 "뉴로모픽" 칩을 만들었습니다. 이 사건은 선형 포토닉 스파이크 네트워크에서 비선형 변환으로의 전환을 의미하며, 실용적 적용을 위한 핵심 단계입니다.

왜 중요한가
- 변환 없음: 광자를 전자와 다시 전환하면 에너지와 시간이 손실됩니다. 로보틱스, 자율 주행 같은 실시간 시스템에서는 이러한 지연이 장비 고장이나 사고로 이어질 수 있습니다.
- 인간과 로봇의 안전한 상호작용: 범용 포토닉 칩을 만드는 것은 더 신뢰할 수 있고 에너지 효율적인 인텔리전트 시스템으로 가는 길을 열어줍니다.

해결된 세 가지 문제
1. 낮은 활성화 임계값을 가진 대규모 비선형 스파이크 뉴런 배열이 존재합니다 – 이제 뉴런을 더 밀집시킬 수 있습니다.
2. 완전히 프로그래머블 칩 – 이전에는 "하드웨어로 프로그래밍된" 고정형이었습니다.
3. 보상 학습 포토닉 – 새로운 아키텍처 덕분에 구현되었습니다.

프로토타입 아키텍처
| 구성요소 | 설명 |
|---|---|
| 16채널 포토닉 칩 | 272개의 학습 가능한 파라미터를 포함하며, 16×16 마하-젠더 인터페이머 매트릭스를 기반으로 합니다. |
| 레이저 및 피드백이 있는 칩 | 스파이크의 비선형 활성화를 위한 낮은 임계값을 위해 포화 흡수기를 사용합니다. |
| 하드웨어-소프트웨어 프레임워크 | 먼저 소프트웨어 패키지에서 학습한 뒤 칩으로 옮겨, 하드웨어 특성을 반영해 재학습합니다. |

테스트
- CartPole (막대 균형) – 프로그램 모델과 거의 동일한 정확도(1.5% 감소).
- Pendulum (진자 회전) – 2% 감소.
- 두 작업 모두 계산 지연은 단 320피코초였습니다.

효율성
| 유형 | 에너지 소비 | 밀집도 |
|---|---|---|
| 선형 | 1.39 TOPS/W | 0.13 TOPS/mm² |
| 비선형 | 987.65 GOPS/W | 533.33 GOPS/mm² |

이 수치는 포토닉 시스템을 GPU 수준의 에너지 효율성(≈1 TOPS/W) 및 밀집도(0.1–0.5 TOPS/mm²)에 놓지만, 완전히 광 처리에 기반하여 변환 손실을 배제합니다.

전망
- 자율 주행
- 지능형 로봇
- 초저지연 및 최소 에너지 소비의 주변 계산

향후 칩을 128채널로 확장해 더 복잡한 작업(뉴로모픽 자율 항법)을 해결하고, 컴팩트 하이브리드 통합 포토닉 뉴로모픽 장치를 만드는 것이 계획입니다.

결론: 이 개발은 광 펄스를 기반으로 한 에너지 효율적인 AI에 대한 새로운 길을 열어 로봇 공학과 자율 시스템 접근 방식을 근본적으로 바꿀 수 있습니다.