티스토리 뷰

출처 : Shutterstock


스탠포드 대학의 연구진이 인공신경망을 광학 칩에서 직접 트레이닝할 수 있음을 보였습니다. 광학적 딥러닝 프레임워크에 관한 소식은 에티에서도 일전에 전해드린 바 있는데요. 기존의 광학 인공신경망은 광학 칩에서 직접 트레이닝되는 것이 아니라 GPU 등 전자 칩을 사용해 트레이닝된 모델을 광학 장치에 이식하는 방식으로 구현됩니다. 그 때문에 트레이닝 과정에서는 여전히 많은 시간과 전력이 소모되었고, 트레이닝된 모델을 이식하는 과정에서 정확도가 떨어지는 문제가 있었습니다


하지만 최근, 모델을 광학 칩에서 직접 트레이닝하는 방법이 제안됨에 따라 기존의 인공신경망이 갖고 있던 문제를 광학 칩으로 해결할 수 있는 가능성이 열렸습니다연구 팀의 리더인 스탠포드 대학의 Fan Shanhui 교수는인공신경망 연산에 광학 칩을 사용해서 효율을 높이면 기존의 디지털 컴퓨터로는 풀 수 없던 더욱 복잡한 문제들도 풀 수 있을 것이다. 광학 칩은 자율주행이나 질의응답 등에 사용되는 인공신경망의 성능을 높일 것이며 이를 통해 우리가 현재로선 상상할 수 없는 방식으로 우리의 삶을 발전시킬 수 있다고 말했습니다.


출처 : Tyler W. Hughes, Stanford University


연구팀은 광학 칩에서 backpropagation을 구현하는 방법을 제안하는 것으로 광학 저널인 Optica에 논문을 개제했습니다. 해당 논문의 1저자인 Tyler W. Hughes광학 인공신경망 트레이닝에 컴퓨터 모델을 사용하는 대신 물리적 모델을 사용하면 트레이닝의 정확도를 더욱 높일 수 있으며, 트레이닝 과정은 매우 많은 연산을 필요로 하는 단계이기 때문에 이를 광학적으로 해결하면 연산 효율, 즉 시간과 전력 소모를 크게 줄일 수 있을 것이다. 특히 큰 네트워크의 경우, 광학 칩에서는 모든 뉴런의 값을 동시에 읽을 수 있기 때문에 트레이닝 속도를 더욱 높일 수 있을 것이다라고 밝혔습니다.


광학 칩에서의 트레이닝은 광 회로에 존재하는 빔 스플리터를 조절하는 방식으로 이루어집니다. 빔 스플리터의 조절은 빛의 위상을 옮기는 장치들의 세팅을 바꾸는 것으로 이루어지며, 빔 스플리터의 상태는 인공신경망의 뉴런과 같은 역할을 하게 됩니다레이저가 광 회로의 끝에 도달하면 예상한 값과 실제 값의 차이가 계산되고, 이 차이를 반영한 레이저가 반대방향으로 발사됩니다. 이 때 각 빔 스플리터에서 빛의 세기를 측정하여 세팅을 얼마나 변경할지 계산되면 이에 맞게 위상변환기를 조절합니다. 이 과정을 원하는 출력이 나올 때까지 반복하면 트레이닝이 완료됩니다.

출처 : 논문, Training of photonic neural networks through in situ backpropagation and gradient measurement


광학 시뮬레이션을 통해 검증해본 결과 광학식 트레이닝이 기존 컴퓨터를 사용한 경우와 비슷한 결과를 얻을 수 있다는 것이 확인되었다고 합니다. 전자 칩 없이 광학 장치만으로도 인공신경망을 구현할 수 있다는 것이 증명된 것입니다.

 

연구팀은 광학 인공신경망을 더 최적화하여 실용적인 문제를 해결하는 신경망을 만들 계획이라고 합니다. 또한 이번 연구에서 설계한 광 회로 구조는 FPGA처럼 프로그래밍 가능한 광학 칩을 개발하는 등 다양한 방식으로 활용될 수 있을 것이라고 합니다.


인기 포스팅 보기

댓글
공지사항
최근에 올라온 글
최근에 달린 댓글
Total
Today
Yesterday
링크
«   2024/03   »
1 2
3 4 5 6 7 8 9
10 11 12 13 14 15 16
17 18 19 20 21 22 23
24 25 26 27 28 29 30
31
글 보관함