광학칩은 어떻게 자기 안에서 학습 신호를 읽을까

증거 상태: 광학 실험과 모의 계산을 포함한 동료평가 연구다. 공개 보충자료·일부 원자료·코드를 확인했지만, 구독 제한인 본문·Methods의 전체 유도와 비교 조건은 아직 확인하지 못했다. 아래는 발행 전 작업 원고다.

#30초 결론

빛으로 계산하는 칩을 만들었다고 해서 그 칩이 바로 스스로 학습하는 것은 아니다. 학습에는 “어느 설정을 어느 방향으로 바꾸면 오차가 줄어드는가”라는 정보가 필요하다. INSPIRE는 순방향으로 흐르는 데이터의 빛과 역방향으로 보내는 오차의 빛을 실제 장치에서 측정해 그 정보를 구한다. 밝기뿐 아니라 위상도 읽는 것이 핵심이다. [1] [2]

확인할 수 있었던 강한 작은 결과는 4×4 복소 행렬의 맞춤 실험이다. 공개된 16개 성분으로 독립 계산한 상대 오차는 약 0.26067%로, 초록의 0.26%와 수치상 일치했다. 이것은 AI 분류 정확도나 전체 학습 속도가 아니다. 논문 초록의 251배 모델 압축과 136배 과제별 학습 가속도 별도 지표이며, 정확한 비교 분모와 시간 경계는 추가 원문 검증이 필요하다. [1] [3]

읽을 때 한 질문을 따라가 보자. 실제 칩에서 빛을 재면, 칩의 설정을 바꿀 방향까지 알 수 있을까?

#1. 계산하는 것과 배우는 것은 다르다

네 개의 숫자를 넣으면 네 개의 숫자가 나오는 작은 계산기를 생각하자. 안에는 입력을 섞는 여러 조절기가 있다. 조절기를 잘 맞추면 원하는 결과가 나오지만, 처음에는 틀린 결과가 나온다. 결과를 만드는 일이 계산이고, 조절기를 바꾸어 다음 결과를 개선하는 일이 학습이다.

이것은 설명을 위한 비유다. 논문의 장치는 일반 계산기처럼 숫자를 화면에 띄우는 기계가 아니라, 빛의 장을 입력하고 광학 경로에서 변환한 뒤 검출하는 시스템이다. 비유가 대응하는 부분은 “입력 → 설정에 따른 변환 → 출력 → 설정 수정”이라는 절차뿐이다. 빛의 위상이나 검출 잡음을 계산기 버튼과 동일시하면 안 된다.

설정을 조금 바꾸었을 때 오차가 얼마나 달라지는지를 gradient, 즉 변화율 정보라고 부른다. 단순히 “이번 출력이 틀렸다”는 정보보다 구체적이다. 여러 조절기 중 어느 쪽을 움직여야 하는지도 필요하기 때문이다. 소프트웨어에서는 계산 모형을 미분할 수 있지만, 실제 장치는 제작 오차·주변 변화·보정 상태를 함께 갖는다. 모형에서 좋은 설정이 실제 칩에서도 똑같이 좋은지는 별도 문제다.

이번 연구의 출발점은 칩을 완벽하게 복제한 모형만 믿기보다 실제 물리계의 측정으로 학습에 필요한 정보를 얻자는 것이다. 그렇다고 기존 모든 광학 학습법이 모형만 사용했다는 뜻은 아니다. 실제 장치에서 학습하는 선행 방법도 있었고, 뒤에서 그 차이를 구분한다. [1] [2]

학습 절차는 데이터 입력, 오차 계산, 역방향 오차장 측정, 설정 갱신의 순서로 읽으면 된다. 사진은 실제 광학칩이 제작되는 모습을 보여줄 뿐 이 학습 절차나 성능을 증명하지 않는다. 빛의 전파만 빠르다고 학습 한 바퀴 전체가 같은 속도로 끝나는 것도 아니다.

#2. 밝기만으로는 놓치는 정보

빛에는 진폭(amplitude), 즉 장의 크기와 위상(phase), 즉 파동의 진행 상태를 나타내는 정보가 있다. 검출된 밝기가 같아도 위상이 다를 수 있다. 두 빛을 합쳤을 때 밝아지거나 어두워지는 간섭(interference)을 생각하면 이유를 알 수 있다. 빛을 따로 재서 얻은 밝기만으로는 합쳤을 때의 결과를 정하기 어렵다.

논문의 복소장(complex field)은 이 두 정보를 함께 다루는 표현이다. 복소수라는 이름이 “복잡한 숫자”를 뜻하는 것은 아니다. 크기와 위상을 함께 적기 위한 수학 언어다. 아래 식을 읽지 않아도 “밝기만 확인하는 것보다 기준광과 비교해 위상까지 확인해야 한다”는 관계를 먼저 이해할 수 있다.

보충자료의 Hologram 절차는 네 번의 읽기를 구분한다. 신호만 읽은 I₀, 기준광만 읽은 I₁, 둘을 함께 읽은 I₂, 기준광 위상을 90도 옮겨 함께 읽은 I₃다. 마지막 읽기는 앞의 측정만으로 남는 위상 부호 선택을 확인하는 데 쓰인다. 단순한 밝기 사진 한 장을 gradient 측정이라고 소개하면 이 절차를 놓친다. [2] (Note 3)

확인 질문을 하나 바꾸어 보자. 기준광이 거의 사라져도 신호가 밝으면 위상을 잘 읽을 수 있을까? 위상 추정식의 분모에 기준광 크기도 들어가므로 그렇지 않다. 밝은 신호 하나가 충분한 간섭 측정을 대신하지 못한다. 이 조건은 기준광만 읽는 두 번째 측정을 생략하면 안 되는 이유와 연결된다.

#3. 측정한 두 장은 gradient와 어떻게 연결되나

순방향에서는 입력 데이터가 만든 국소장 Edata와 출력장 Eout을 읽는다. 다음으로 목표와 출력의 차이를 손실(loss), 즉 학습에서 줄이려는 값으로 다룬다. 보충자료는 출력에 대한 손실의 변화율로 오차장 입력을 만들고, 이를 오차 포트에서 보내 역방향 국소장 Eerr를 측정하는 순서를 제시한다. [2] (Note 3)

이제 같은 위치에서 얻은 순방향장과 역방향장을 결합한다. 이 글에서 일반적인 경사하강 갱신식을 추가하는 대신, 실제 의사코드에 있는 이 결합식을 설명하는 이유다. “오차를 줄이는 방향으로 바꾼다”는 일반 원리만 적어서는 INSPIRE가 그 방향을 어떻게 구하는지 설명하지 못한다.

#gradient를 계산하는 것과 설정을 바꾸는 것은 다르다

여기서 한 단계를 더 나누어 읽어야 한다. 공개 Zenodo 코드 v1의 train_script.py는 먼저 출력과 목표의 차이에 켤레복소수 연산을 적용해 오차 입력을 만든다(134행). 이후 국소장의 곱으로 gradient를 계산한다(166행). 따라서 “앞 단계에서 오차의 켤레를 취한다”와 “국소장 결합식에 켤레 기호를 추가한다”는 같은 조작이 아니다. 위 식에는 보충자료에 없는 켤레 기호를 넣지 않았다.

그다음은 계산한 방향으로 조절값을 바꾸는 단계다. 이 코드의 184–189행은 배치 gradient의 평균을 구하고, 학습률을 곱한 값을 위상 설정에서 뺀다. 같은 구간에서 최적화 객체의 step도 호출하지만, 저장된 반환값은 그 위상 갱신에 사용되지 않는다. 이는 열람한 코드 버전의 동작에 대한 관찰이지, 논문 전체가 특정 최적화법을 사용하지 않았다는 결론이 아니다. 실제 실행으로 재현한 결과도 아니다.

위상 설정을 장치의 전압으로 옮기는 과정도 별개다. 코드의 data_convert.py::amp2volts와 utils.py::voltage_cvt에는 변환과 역방향 결합 보정이 있다. “국소장의 결합 → gradient”, “학습률과 갱신 규칙 → 새 설정”, “보정과 변환 → 장치 제어”를 하나로 뭉치면 어느 단계에서 오차나 비용이 생기는지 놓친다. 보충자료와 8월 13일 공개된 코드 v1을 읽었지만, 10월 5일 출판된 본문의 구현과 모든 세부가 동일한지는 아직 확인하지 못했다. [2] [4]

확인 질문: gradient가 같으면 장치에 가하는 전압 변화도 항상 같을까? 그렇지 않다. 학습률·갱신 규칙과 전압 변환·보정 상태가 함께 필요하다. 국소 gradient 식 하나가 학습 루프 전체의 제어를 정의하지는 않는다.

빛으로 계산했다는 표현과 완전 광학 학습이라는 표현도 구분해야 한다. 공개 절차에는 측정, 손실 정보 계산, 설정 갱신을 연결하는 제어가 있다. 실제 예제 코드도 전자적 최적화·설정 변경을 포함한다. 광학 전파가 gradient 정보를 제공한다는 것과 학습 과정 전체에서 전자 계산이 사라졌다는 것은 다른 주장이다. [2] [4]

#4. 학습 전에 보정은 어디에 남아 있나

실제 장치는 조절기 하나에 전압을 가한다고 그곳만 이상적으로 바뀌지 않는다. 보충자료 Note 1은 배선에 의한 전기적 결합을 보정하고, 전압과 위상의 관계를 읽는 절차를 따로 설명한다. 82개 구동 핀의 영향을 82×82 행렬로 다룬 보정과, 장치 사진의 128채널 신호 보드를 같은 개수로 혼동하면 안 된다. [2]

“물리계에서 gradient를 얻는다”는 연구의 진전은 보정 비용이 0이라는 뜻이 아니다. 학습 루프 안의 측정과 학습 전 보정은 목적이 다르다. 하나는 현재 설정을 어느 방향으로 바꿀지 알려 주고, 다른 하나는 제어 입력이 실제 장치에 어떤 변화를 만드는지 연결한다.

#5. 기존 방법과 이번 변화는 무엇인가

보충자료 Table 1의 비교는 수치 순위표가 아니라 gradient를 얻는 방식과 적용 조건의 표다. 섭동 기반 방법은 조절값을 바꾸며 근사 gradient를 구하는 범주로, 혼합 방법은 순방향은 장치에서 하고 역방향은 소프트웨어에서 처리하는 범주로 설명된다. 실제 장치에서 역전파하는 방법과 완전 순방향 학습 방법도 선행 범주로 제시된다. [2] (Table 1)

표에서 분석적 gradient를 쓰는 선행 범주도 이미 있다. 따라서 INSPIRE의 차이를 “처음으로 미분했다”라고 쓸 수 없다. 저자들은 국소 복소장 측정을 이용하는 방식을 비유니터리 회로나 산란 매질까지 다루는 방향으로 제시한다. 유니터리(unitary)는 이 문맥에서 특정한 수학적 변환 조건을 갖는 회로라는 뜻이며, 효율이 좋다는 일반적인 칭찬과 다르다. 대칭(symmetric) 조건과도 같은 말이 아니다.

여기서 확인한 Table 1만으로 같은 과제·같은 장치·같은 시간 경계의 성능 우열을 만들 수는 없다. 각 선행 방법의 논문과 이번 본문의 조건을 더 대조해야 정확한 계보와 제한의 차이를 확정할 수 있다. 이번 변화는 모든 선행 방법을 제거한 새 방정식의 해가 아니라, 실제 장에서 gradient 정보를 얻는 측정·계산 절차와 그 적용 범위다.

#6. 결과를 읽는 세 개의 서로 다른 경계

첫째는 작은 행렬을 원하는 값에 얼마나 가깝게 맞추었는가다. 4×4는 출력과 입력의 관계를 16개 복소 성분으로 나타내는 크기다. Source Data Fig. 2e의 목표와 실현값을 대조하고, 성분별 복소 차이의 크기 제곱을 합한 값과 목표의 크기 제곱 합의 비율에 제곱근을 취했다. 독립 계산은 0.26067%였다. 논문 초록의 0.26%와 수치상 맞지만, 본문에 정의된 지표와 완전히 동일한 계산인지의 확인은 남았다. 모든 칩·과제의 오차가 0.26%라는 뜻도 아니다. [1] [3]

둘째는 과제를 바꿀 때 필요한 모델과 학습 절차다. 초록은 광학 메타학습의 맥락에서 251배 모델 압축과 136배 과제별 학습 가속을 보고한다. 압축은 모델 규모에 관한 비교이고, 학습 가속은 특정 과제에 맞추는 과정에 관한 비교다. 두 배율을 곱하거나 전체 AI 학습이 136배 빨라졌다고 일반화하지 않는다. 공개 코드에는 모의 계산과 하드웨어 학습 예제가 따로 있으므로 코드가 있다는 사실만으로 두 수치의 전체 조건을 검증한 것도 아니다. [1] [4]

셋째는 규모를 늘렸을 때의 조건이다. 보충자료는 광 분배·전파·교차 손실과 검출 잡음을 다루는 규모 추정, 여러 파장에 대한 맞춤, 비선형 확장의 모의 계산을 별도로 제시한다. 작은 장치에서의 측정과 더 큰 장치를 가정한 모형, 데이터셋 시뮬레이션을 한 종류의 실험으로 합치면 안 된다. 특히 파장을 더 많이 사용하는 확장은 신호와 조절 자유도, 오차를 함께 확인해야 한다. [2] (Notes 4–7)

#7. 다음에는 무엇을 확인해야 하나

좋은 다음 질문은 “빛을 썼으니 GPU보다 빠른가” 한 가지가 아니다. 먼저 학습 한 바퀴의 시간을 레이저 구동, 검출·읽기, 오차 계산, 설정 변경과 함께 측정해야 한다. 같은 작업을 수행하는 전자 시스템과 전력·정확도·배치 크기·보정 비용을 맞추어야 시스템 수준 비교가 된다. 여기서 확인한 자료는 일반 GPU 학습의 전체 시간·전력 우위를 입증하지 않는다.

재현 관점에서는 위상 기준의 안정성, 약한 기준광에서의 추정, 잡음 속 gradient와 갱신 안정성, 보정의 유지 기간을 확인해야 한다. 교수나 연구자가 살펴볼 연결은 “측정장의 정의 → 복소 미분의 관례 → 국소 곱의 스케일 → 조절 변수로의 변환 → 실제 손실 감소”다. 이 원고는 공개 의사코드를 연결했지만, 전체 본문·Methods 없이 이 유도 경로가 완전히 검증됐다고 표시하지 않는다.

그럼에도 이 연구의 방향은 분명하다. 광학 하드웨어를 한 번 맞춘 뒤 계속 계산만 하는 장치로 보지 않고, 실제 장치의 상태에서 학습 정보를 얻는 대상으로 다룬다. 대규모 제품 배포나 모든 광학계에 대한 수학적 정리의 완성이 아니라, 실제 물리계와 학습 절차를 연결하는 연구 결과로 읽는 것이 정확하다.