광 신경망: 광자 AI 컴퓨팅의 시작
인공 지능의 폭발적인 성장으로 인해 기존의 실리콘 마이크로전자공학은 물리적 한계에 직면하게 되었습니다. 최신 변압기 아키텍처와 1000조 매개변수 기반 모델은 과도한 열을 발생시키면서 막대한 전력을 소비하여 글로벌 데이터 센터의 지속 가능성을 위협합니다. 실리콘 병목 현상을 극복하기 위해 컴퓨터 과학자와 물리학자들은 근본적으로 더 빠른 매체인 빛으로 전환했습니다. 실리콘 포토닉스로 구동되는 ONN(광 신경망)은 인공 지능 가속화의 근본적인 패러다임 변화를 나타냅니다.
광자로 무어의 법칙 깨기
수십 년 동안 컴퓨팅 발전은 무어의 법칙에 따라 전기 트랜지스터의 크기를 줄이는 데 의존했습니다. 그러나 트랜지스터 크기가 원자 규모에 가까워짐에 따라 양자 터널링 및 열 방출로 인해 클록 주파수에 엄격한 물리적 제한이 적용됩니다. 미세한 구리 상호 연결을 따라 전기 전자를 전송하면 필연적으로 저항, 대기 시간 및 전력 낭비가 발생합니다.
이와 대조적으로 광자는 전하를 가지지 않으며 빛의 속도로 이동합니다. 광 신경망에서 수학적 연산, 특히 딥 러닝 추론의 대부분을 구성하는 행렬 곱셈은 전자 전환이 아닌 광파의 물리적 간섭, 회절 및 위상 변조를 통해 실행됩니다.
빛을 통한 즉각적인 행렬 곱셈
딥 러닝 모델은 MAC(Multiply-Accumulate) 계산에 크게 의존합니다. 전자 GPU에서는 수백만 개의 논리 게이트가 동시에 전환되어 이러한 선형 대수 텐서를 계산하는 데 기가와트의 전력이 소모됩니다.
포토닉 텐서 코어에서 레이저 빔 배열은 실리콘 칩에 통합된 MZI(Mach-Zehnder 간섭계) 메시를 통과합니다. 전기 광학 재료를 사용하여 마이크로 도파관의 굴절률을 변경함으로써 회로는 빛의 위상과 강도를 변조합니다. 광파가 간섭계 어레이에서 나타날 때 열 방출이 거의 0에 가까워지면서 매트릭스 곱셈이 이미 즉각적으로 발생했습니다.
천문학적인 에너지 효율성 및 초저 지연 시간
광학 AI 컴퓨팅의 운영상의 이점은 다음과 같습니다.
- 나노초 미만의 지연 시간: 빛은 초당 약 80,000km의 속도로 실리콘 도파관을 통해 이동하므로 추론 속도가 구리 트레이스보다 훨씬 빠릅니다.
- WDM(파장 분할 다중화): 간섭 없이 단일 광 도파관을 통해 다양한 색상(파장)의 빛에 걸쳐 다중 독립적 계산이 동시에 발생할 수 있어 대규모 공간 병렬성을 달성할 수 있습니다.
- 급격한 열 감소: 광자는 전기 저항을 생성하지 않기 때문에 광학 컴퓨팅 코어는 차가운 상태로 유지되어 현재 고밀도 데이터 센터를 지배하는 엄청난 냉각 비용을 대폭 낮춥니다.
공동 패키지 광학 제품 및 상용화 경로
순수 광학 범용 컴퓨터가 계속 개발되고 있는 반면, 하이브리드 전자 광자 아키텍처는 이미 상업적인 유용성을 찾고 있습니다. 공동 패키지 광학(CPO)은 기존 메모리 컨트롤러 및 CPU와 함께 포토닉 텐서 엔진을 통합합니다. 이 하이브리드 에코시스템에서는 고속 광학 칩이 매트릭스 작업을 처리하는 반면 기존 디지털 컨트롤러는 메모리 액세스 및 비선형 활성화 기능을 조정합니다.
실리콘 파운드리의 제조 기술이 성숙해짐에 따라 광 가속은 실시간 엣지 로봇 공학, 자율 항공 우주 시스템 및 차세대 행성 규모 AI 클러스터를 위한 기본 인프라가 될 것입니다.
자주 묻는 질문
광학 신경망은 전자 GPU와 어떻게 다릅니까?
기존 GPU는 트랜지스터를 통해 이동하는 전류를 사용하여 수학적 계산을 수행하므로 열과 대기 시간이 발생합니다. 광 신경망은 광 변조기를 통과하는 빛의 광선을 사용하여 전기 저항 없이 거의 즉각적으로 행렬 방정식을 계산합니다.
광학 칩이 PyTorch 및 TensorFlow와 같은 기존 AI 소프트웨어를 실행할 수 있습니까?
예. 최신 광자 AI 가속기에는 원본 코드를 수정할 필요 없이 표준 PyTorch 및 TensorFlow 계산 그래프를 광학 위상 구성으로 변환하는 소프트웨어 컴파일러 레이어가 있습니다.
광자 AI는 언제 상용 데이터 센터의 표준이 될까요?
하이브리드 전자 광자 가속기는 이미 특수 클라우드 시설에 진입하고 있으며, 실리콘 포토닉스 제조가 볼륨 패리티를 달성함에 따라 향후 몇 년 동안 기업 클러스터 전반에 걸쳐 광범위한 상용 배포가 예상됩니다.
