10억 배 더 빠른 속도: 레이저 뉴런이 AI의 미래를 밝히다.

연구자들은 생물학적 그레이딩 뉴런을 모방하는 동시에 10GBaud의 신호 처리 속도를 달성하는 칩 기반 양자점 레이저를 개발했다.

레이저 기반 인공 뉴런

과학자들은 생물학적 등급 뉴런의 기능, 역학 및 데이터 처리 기능을 복제하는 레이저 기반 인공 뉴런을 만들었다. 10GBaud의 신호 처리 속도로 작동하는 이 획기적인 기술은 자연적 대응물보다 약 10억 배 빠르며 인공지능과 고급 컴퓨팅 시스템의 주요 발전을 이끌 수 있다.

생물학적 뉴런은 다양한 유형으로 나뉘는데, 여기에는 정확하고 미묘한 신호 전송을 위해 막 전위의 지속적인 변화를 통해 정보를 처리하는 등급 뉴런이 포함된다. 반면 스파이크 뉴런은 올-오-넌 액션 전위를 사용하여 신호를 이진, 켜짐 또는 꺼짐 방식으로 보낸다.

광자 뉴런의 발전

홍콩 중국 대학의 연구팀 리더인 차오란 황은 "우리의 레이저 등급 뉴런은 스파이크 뉴런의 현재 광자 버전의 속도 제한을 극복하고 더 빠른 작동이 가능하다."라고 말했다. "뉴런과 같은 비선형 동역학과 빠른 처리를 활용하여 패턴 인식 및 시퀀스 예측과 같은 AI 작업에서 뛰어난 성능을 보이는 저장 컴퓨팅 시스템을 구축했다."

Optica Publishing Group의 영향력 있는 연구 저널인 Optica에서 연구자들은 칩 기반 양자점 레이저 등급 뉴런이 10GBaud의 신호 처리 속도를 달성할 수 있다고 보고했다. 그들은 이 속도를 이용해 단 1초 만에 1억 개의 심장 박동 데이터나 3,470만 개의 손으로 쓴 디지털 이미지 데이터를 처리했다.

황은 "우리 기술은 높은 정확도를 유지하면서도 시간에 민감한 애플리케이션에서 AI 의사 결정을 가속화할 수 있다."라고 말했다. "데이터를 출처 근처에서 처리하는 엣지 컴퓨팅 장치에 우리 기술을 통합하면 미래에 에너지 소비를 줄여 실제 애플리케이션에 더 잘 서비스하는 더 빠르고 스마트한 AI 시스템을 용이하게 할 수 있기를 바란다."

레이저 그레이딩 뉴런은 고속 저장소 컴퓨팅에 이상적인 빠르고 뉴런과 유사한 그레이딩 응답을 제공하여 부정맥 감지 및 이미지 분류와 같은 AI 작업에 대한 뛰어난 패턴 인식 및 시퀀스 예측을 보여준다. 출처: Chaoran Huang, 홍콩 중국 대학교

광자 스파이크 뉴런의 한계 극복

생물학적 뉴런의 행동을 모방하는 방식으로 입력 신호에 응답할 수 있는 레이저 기반 인공 뉴런은 초고속 데이터 처리 속도와 낮은 에너지 소비 덕분에 컴퓨팅을 크게 향상시키는 방법으로 연구되고 있다. 그러나 지금까지 개발된 대부분의 뉴런은 광자 스파이크 뉴런이었다. 이러한 인공 뉴런은 응답 속도가 제한적이고 정보 손실이 발생할 수 있으며 추가 레이저 소스와 변조기가 필요하다.

광자 스파이크 뉴런의 속도 제한은 일반적으로 레이저의 이득 섹션에 입력 펄스를 주입하여 작동한다는 사실에서 비롯된다. 이로 인해 뉴런이 얼마나 빨리 응답할 수 있는지 제한하는 지연이 발생한다. 레이저 그레이딩 뉴런의 경우 연구자들은 양자점 레이저의 포화 흡수 섹션에 무선 주파수 신호를 주입하여 이러한 지연을 방지하는 다른 접근 방식을 사용했다. 또한 포화 흡수 섹션을 위한 고속 무선 주파수 패드를 설계하여 더 빠르고 간단하며 에너지 효율적인 시스템을 만들었다.

황은 "강력한 메모리 효과와 뛰어난 정보 처리 기능을 갖춘 단일 레이저 그레이딩 뉴런은 작은 신경망처럼 작동할 수 있다."라고 말했다. "따라서 복잡한 추가 연결이 없는 단일 레이저 그레이딩 뉴런도 고성능으로 머신러닝 작업을 수행할 수 있다."

고속 리저버 컴퓨팅

연구원들은 레이저 그레이딩 뉴런의 기능을 더욱 입증하기 위해 이를 사용하여 리저버 컴퓨팅 시스템을 만들었다. 이 계산 방법은 음성 인식 및 날씨 예측에 사용되는 것과 같은 시간 종속 데이터를 처리하기 위해 리저버라는 특정 유형의 네트워크를 사용한다. 레이저 그레이딩 뉴런의 뉴런과 같은 비선형 동역학과 빠른 처리 속도는 고속 리저버 컴퓨팅을 지원하는 데 이상적이다.

테스트에서 생성된 리저버 컴퓨팅 시스템은 높은 처리 속도를 가진 다양한 AI 애플리케이션에서 뛰어난 패턴 인식 및 시퀀스 예측, 특히 장기 예측을 보였다. 예를 들어, 초당 1억 개의 심박수를 처리하고 평균 98.4%의 정확도로 부정맥 패턴을 감지했다.

황은 "이 연구에서는 단일 레이저 그레이딩 뉴런을 사용했지만, 여러 개의 레이저 그레이딩 뉴런을 캐스케이드하면 잠재력이 더욱 발휘될 것이라고 믿는다. 뇌가 네트워크에서 함께 작동하는 수십억 개의 뉴런을 가지고 있는 것과 마찬가지이다."라고 말했다. "레이저 그레이딩 뉴런의 처리 속도를 개선하는 동시에 캐스케이드 레이저 그레이딩 뉴런을 통합하는 딥 리저버 컴퓨팅 아키텍처를 개발하기 위해 노력하고 있다."