광 뉴로모픽 연산을 위한 비휘발성 다중 모드 MVM
Non-volatile, compact, and broadband multimode matrix vector multiplication for photonic neuromorphic computing
Ali Atri, Abbas Zarifkar·Scientific Reports·발표 2026.10· 0 인용
한국어 핵심 요약
행렬-벡터 곱셈(MVM)은 인공신경망의 핵심 연산이지만, 기존 전자 방식은 속도와 에너지 효율성에서 한계가 있습니다. 본 연구는 이러한 병목 현상을 해결하기 위해 모드 분할 다중화(MDM)를 활용한 초소형(185 μm × 21 μm) 비휘발성 광학 MVM 엔진을 설계했습니다.
이 아키텍처는 다중 모드 간섭계 전력 분배기, 방향성 결합기 (디)멀티플렉서, 그리고 4개의 독립적으로 프로그래밍 가능한 경로로 구성된 가중치 코어를 통합합니다. 각 가중치 경로는 5개의 Ge2Sb2Se4Te1 (GSST) 상변화 셀을 직렬로 포함하여 총 20개의 셀로 이루어져 있습니다. GSST 셀을 비정질 및 결정질 상태로 전기적으로 프로그래밍하여 12996가지의 행렬 구성을 지원하며, TM0 및 TM1 모드에서 각각 11.29 dB 및 17.3 dB의 소광비를 달성합니다.
전기-열 시뮬레이션 결과, 결정화를 위해 5V, 33ns 펄스를, 비정질화를 위해 12V, 5ns 펄스를 사용하여 초고속 및 가역적 스위칭이 가능함을 확인했습니다. GSST의 비휘발성 특성은 정적 전력 소비를 제거하여 에너지 효율적인 작동을 가능하게 합니다. 완성된 MVM은 1550 nm에서 TM0 모드에 대해 2.76 dB, TM1 모드에 대해 3.64 dB의 총 삽입 손실을 보입니다.
이 장치는 40 nm 대역폭(1540–1580 nm)에서 기능을 유지하며, 에너지 효율적인 MDM 기반 광 컴퓨팅을 위한 확장 가능한 경로를 제공합니다. 이는 미래 인공지능 하드웨어의 성능 향상에 크게 기여할 잠재력을 가집니다.
섹션 미리보기
연구 배경
인공신경망의 핵심 연산인 행렬-벡터 곱셈(MVM)은 기존 전자 방식에서 속도와 에너지 효율성 한계에 직면합니다. 본 연구는 이러한 문제를 해결하기 위해 광학적 접근 방식을 탐구합니다.
핵심 발견
모드 분할 다중화(MDM)를 활용한 초소형(185 μm × 21 μm) 비휘발성 광학 MVM 엔진을 설계했습니다. 이 장치는 GSST 상변화 셀을 통해 1296가지 행렬 구성을 지원하며, 40 nm 대역폭에서 에너지 효율적인 작동을 보여줍니다.
관련 컴퓨터 과학 논문
개인 건강 데이터 판매와 캐나다 프라이버시 강화
2026·0
다변량 시계열 이상 탐지 예측 모델
2026·0
마이크로서비스 데이터 제품 전략
2026·0
안드로이드 악성코드 분류 기법
2026·0