혁신적인 광학 텐서 코어: AI의 미래를 밝히다

닝 슈펑 등 연구진이 개발한 블록 순환 광학 텐서 코어(CirPTC)는 구조적 압축 전략과 하드웨어 인식 학습 프레임워크를 통해 AI 연산의 효율성과 속도를 크게 향상시켰습니다. 이를 통해 광학 컴퓨팅 분야의 새로운 가능성을 제시하고 AI의 미래를 밝힐 혁신적인 기술로 평가받고 있습니다.

빛의 속도로 AI를 가속화하다: 획기적인 광학 텐서 코어 등장

최근 인공지능(AI)과 심층 신경망(DNN)의 발전은 여러 분야에 혁명을 일으켰습니다. 방대한 데이터셋에서 복잡한 특징을 추출하여 복잡한 작업을 수행하는 능력은 놀랍습니다. 하지만 이러한 엄청난 성장은 전통적인 전자 하드웨어 가속기의 능력을 넘어서는 계산 요구량의 기하급수적 증가로 이어졌습니다.

이러한 문제에 대한 해결책으로 떠오르는 것이 바로 광학 컴퓨팅입니다. 병렬 처리, 높은 계산 속도, 낮은 전력 소비라는 고유한 장점을 지니고 있죠. 하지만 기존의 광 집적 회로(PIC)는 큰 크기, 높은 전기-광학(E-O) 인터페이스 비용, 복잡한 제어 시스템으로 인해 확장성에 한계가 있었습니다.

닝 슈펑(Shupeng Ning) 등 연구진은 이러한 과제를 극복하기 위해 구조적 압축 광학 신경망(StrC-ONN) 아키텍처를 위한 블록 순환 광학 텐서 코어(CirPTC) 를 개발했습니다. 핵심은 구조적 압축 전략입니다. 이 전략을 통해 가중치 행렬의 매개변수를 크게 줄여 하드웨어 요구사항을 감소시키면서도 신경망의 보편적인 표현 능력과 유사한 표현력을 유지합니다.

또한, 연구진은 온칩 비이상성을 보상하여 모델의 강건성과 정확도를 향상시키는 하드웨어 인식 학습 프레임워크를 제안했습니다. 실험 결과, 이미지 처리 및 분류 작업에서 최대 74.91%의 학습 가능한 매개변수 감소를 달성하면서 경쟁력 있는 정확도를 유지했습니다. 성능 분석 결과, mm²당 5.84 테라 연산/초(TOPS)의 계산 밀도와 47.94 TOPS/W의 전력 효율을 달성하여 기존 대비 6.87배의 성능 향상을 보였습니다. 이는 하드웨어-소프트웨어 공동 설계 접근 방식을 통해 이루어낸 쾌거입니다.

이 연구는 하드웨어 요구사항과 제어 복잡성을 여러 차원에서 줄임으로써, 높은 효율과 확장성을 추구하는 광학 컴퓨팅의 한계를 뛰어넘는 새로운 길을 제시합니다. 빛의 속도로 AI의 미래를 밝히는 혁신적인 기술의 등장입니다. 앞으로 광학 컴퓨팅이 AI 발전에 어떤 영향을 미칠지 기대됩니다.