실리콘에서 빛으로: 차세대 AI 하드웨어 물결

인공지능(AI)이 점점 더 대중화되고 강력해짐에 따라, 속도와 에너지에 대한 요구도 커지고 있습니다. 더 빠르고, 더 똑똑하며, 더 효율적인 시스템에 대한 필요성은 연구자들이 급진적인 대안인 광컴퓨팅을 탐구하도록 이끌었습니다.

전통적인 전자 프로세서와 달리, 광컴퓨팅은 전자가 아니라 빛의 입자인 광자를 사용하여 정보를 전송하고 처리합니다. 이 전환은 두 가지 중요한 장점을 제공합니다.

첫째, 광자는 에너지 효율이 크게 뛰어납니다. 전자에 비해 훨씬 적은 열을 발생시키며, 전자는 과도한 열을 발생시켜 성능을 제한하고 데이터 센터에서 크고 비싼 냉각 시스템이 필요합니다.

둘째, 빛은 전류보다 훨씬, 훨씬 빠르게 이동하여 연산 속도를 크게 높입니다. 광 신호는 더 많은 정보를 전달할 수 있어 더 깨끗하고 빠른 컴퓨팅으로 가는 간단한 경로를 제공합니다.

그 결과, 광컴퓨팅에 대한 관심이 점점 높아지고 있습니다. 이 기술은 실험실 환경에서 유망한 결과를 보여주고 있으며 주요 기업들의 상당한 투자를 끌어모으고 있습니다.

하지만 실험실에서의 성공을 실용적인 광 디바이스로 전환하는 것은 상당히 어려운 것으로 입증되었습니다. 이를 위해 먼저 여러 장애물을 극복해야 합니다. 광자는 자연스럽게 서로 상호작용하지 않아 컴퓨팅의 기본이 되는 광 논리 게이트를 구축하기 어렵습니다. 또한, 이 기술은 아직 연구 단계에 있어 수십 년간의 상용화로 전자 칩 제조가 갖춘 성숙도와 규모의 경제를 갖추지 못했습니다.

또한 비용, 부피, 낮은 변조 속도가 대부분의 기존 광 설정을 제한하고 있습니다.

새로운 연구는 일부 제한을 극복하기 위해 새로운 광 엔진을 개발함으로써 큰 진전을 이루었습니다. 이 엔진은 하나의 칩에 속도, 효율성, 그리고 소형화를 결합합니다.

칭화대 연구진은 전례 없는 낮은 지연 시간으로 특징 추출을 수행하는 획기적인 광 컴퓨팅 시스템을 개발했으며, 이는 AI 처리에 혁신을 가져올 잠재력을 가지고 있습니다.

데이터를 처리할 때 전기가 아닌 빛을 사용함으로써 이 기술은 컴퓨팅을 크게 가속화하고 지연 시간을 최소화하여 실시간 AI를 향한 큰 도약을 가능하게 합니다.

이 새로운 시스템의 핵심은 반도체 광 증폭기 기반 마흐-젠더 간섭계, 즉 SOA-MZI입니다.

SOA는 자극 방출을 통해 빛 신호를 직접 증폭하는 소형 장치입니다. 한편, 가장 오래된 광 기기 중 하나인 MZI는 두 개의 커플러가 서로 다른 길이의 두 개의 파형 가이드로 연결된 기본 파형 가이드 간섭 장치입니다.

이제 SOA-MZI 설정은 빛이 딥러닝의 기반 작업을 수행하도록 허용합니다. 여기서 정보가 처리되고, 패턴 및 에지와 같은 특징이 빛 신호 내에서 전기로 변환하지 않고도 감지됩니다.

또한, 장치는 파장 분할 다중화(WDM) 방식을 사용합니다. 이 방법은 빛을 색 스펙트럼으로 분리하고 각 색이 자체 데이터 스트림을 전달합니다. WDM을 활용하면 칩이 다수의 연산을 병렬로 수행할 수 있어 처리량이 증가합니다.

실험실 테스트에서 이 엔진은 채널당 초당 10기가비트(Gbps)까지의 속도로 데이터를 처리했으며, 지연 시간은 수십 피코초(ps) 수준에 불과했습니다. 참고로 1ps는 1,000펨토초 또는 나노초의 천분의 일에 해당합니다.

이 결과는 이 엔진이 기존 전자 프로세서가 달성할 수 있는 속도보다 훨씬 빠름을 보여줍니다.

이 속도가 의미하는 바는 시스템이 실시간으로 정보를 처리할 수 있어 고주파 트레이딩, 의료 영상, 로봇 수술 또는 자율 주행 차량과 같은 응용 분야에 완벽하다는 것입니다. 이러한 응용 분야는 AI가 원시 데이터에서 핵심 특징을 빠르게 추출하는 능력에 의존하므로, 몇 밀리초조차도 큰 의미를 가집니다.

돌파구: 칭화대의 광 엔진과 실시간 AI

무어의 법칙은 마이크로칩의 트랜지스터 수가 약 2년마다 두 배가 된다고 말합니다. 이는 컴퓨팅 파워의 증가, 비용 감소, 그리고 전반적으로 더 작은 장치를 초래합니다.

이 추세가 이제 끝에 다다른 것으로 보입니다. 트랜지스터 크기가 몇 나노미터 수준으로 축소되면서 실리콘 기반 기술의 물리적 한계에 다가가고 있습니다.

더 작아진 크기로 인해 전자 터널링 및 누설 전류가 발생해 에너지 사용과 열 발생이 증가할 뿐만 아니라, 최첨단 마이크로칩 제조 비용도 급증했습니다. 동시에 실리콘 자체도 성능 및 확장성 한계에 도달하고 있습니다.

이 때문에 연구자들과 기업들이 대체 솔루션을 탐구하고 있습니다 칩렛, 시스템-인-패키지(SiP), 비휘발성 메모리, 양자 컴퓨팅, 바이오컴퓨팅, 그리고 물론 포토닉스와 같은 대체 솔루션을 탐구하고 있습니다.

이러한 대안 중에서 포토닉스는 AI 응용 분야에 특히 큰 가능성을 보여줍니다. 빛의 힘을 활용함으로써 머신러닝의 핵심 단계인 특징 추출을 크게 가속화할 수 있습니다.

특징 추출은 원시 데이터를 머신러닝(ML) 모델이 문제를 더 잘 나타낼 수 있는 단순화된 수치 특징 집합으로 변환하는 과정입니다. 이 기법은 데이터 복잡성을 줄여 가장 관련성 높은 정보를 추출함으로써 ML 알고리즘의 성능과 효율성을 향상시킵니다.

빛이 특징 추출을 가속화할 수 있지만, 빠른 광 연산을 위해 안정적이고 일관된 빛을 유지하는 것은 매우 어려운 과제입니다.

이를 해결하기 위해, 칭화대 연구진은 두 번째 세대 광 특징 추출 엔진(OFE2)을 개발했습니다¹ 이 엔진은 다양한 실용 응용 분야를 위한 광 특징 추출을 수행할 수 있습니다. 통합 온칩 시스템은 조정 가능한 파워 스플리터와 정밀 지연 라인을 사용하여 안정적이고 병렬적인 광 신호를 제공합니다.

이 시스템은 입력 신호를 여러 개의 동기화된 광파로 샘플링하여 들어오는 데이터 스트림을 역직렬화하고, 이를 통해 병렬 실시간 처리를 가능하게 합니다.

이 광파들은 이후 회절 연산자를 통과하는데, 회절 연산자는 빛이 통과하면서 계산을 수행하는 미세한 판 형태 구조입니다. 이 연산은 데이터 변환 및 처리를 위해 사용되는 기본 AI 연산인 행렬-벡터 곱셈을 모방합니다.

회절된 빛이 출력에서 집중된 ‘밝은 점’을 생성하는 방식은 이 연산의 핵심이며, 이는 병렬 입력 광의 위상을 조정함으로써 특정 출력 포트로 부분적으로 굴절될 수 있습니다. 출력 전력의 이러한 움직임과 그에 따른 변화가 엔진, 즉 OFE2가 입력 신호의 시간에 따른 변동 특징을 포착하도록 합니다.

OFE2는 광 컴퓨팅 기록인 12.5GHz의 속도로 동작하며, 단일 행렬-벡터 곱셈을 250.5ps 이내에 수행할 수 있어, 유사한 광 컴퓨팅 구현 중 가장 낮은 지연 시간을 자랑합니다.

“우리는 이 연구가 실제 응용에서 10GHz 이상의 속도를 초과하는 통합 광 회절 컴퓨팅을 진전시키기 위한 중요한 기준점을 제공한다고 확신합니다.”

– 칭화대와 함께 이 연구를 수행한 홍웨이 천 교수

팀은 다양한 과제에서 시스템의 강력한 역량을 입증했습니다.

디지털 트레이딩 작업에 테스트했을 때, OFE2는 인상적인 결과를 얻었습니다. 트레이더가 실시간 가격 신호를 OFE2에 입력하면, 최적화된 엔진이 출력 신호를 직접 매수 또는 매도 결정으로 변환하여 최소 지연으로 안정적인 수익성을 달성합니다. 시스템은 빛의 속도로 작동합니다.

팀은 또한 OFE2를 사용해 이미지를 처리했으며, 엔진은 입력 이미지에서 에지 특징을 추출하고, 부조와 조각 효과를 닮은 두 개의 보완적인 특징 맵을 생성했습니다. OFE2가 만든 광학 특징은 이미지 분류에서 훨씬 뛰어난 성능을 보였으며, 의미론적 분할에서 픽셀 정확도를 향상시켰습니다. 예를 들어, 컴퓨터 단층 촬영(CT) 스캔에서 장기를 식별하는 데 도움이 됩니다.

더 중요한 점은 AI 시스템이 OFE2를 사용할 때 전자 파라미터가 감소하여, 광 전처리를 통해 더 가볍고 효율적이며 비용이 적게 드는 하이브리드 AI 시스템을 구현할 수 있는 잠재력을 보여줍니다. 어려운 작업은 광 전처리가 수행하고, AI 모델은 학습과 해석에 집중할 수 있습니다.

이 결과는 가장 높은 연산 부하를 전자에서 포토닉스로 옮길 수 있음을 시사하며, 실시간 AI 모델의 미래를 열어줍니다.

연구자들에 따르면, 이 장치는 큰 데이터 스트림을 매우 적은 에너지 손실로 처리하면서 부하가 걸려도 신호 무결성을 잘 유지합니다.

“우리 연구에서 제시된 진보는 통합 회절 연산자를 더 높은 속도로 끌어올려 이미지 인식, 보조 의료, 디지털 금융 등 연산 집약적인 서비스에 대한 지원을 제공합니다,” 라고 천 교수는 말했습니다. “데이터 집약적인 연산 요구가 있는 파트너와 협력하기를 기대합니다.”

실리콘 포토닉스로 빛의 속도에서 컴퓨팅이 가능해지는 방법을 알아보려면 여기를 클릭하세요.

광학으로 컴퓨팅을 재창조하기 위한 글로벌 경쟁

스크롤하려면 스와이프 →

칭화대의 진전은 더 큰 글로벌 전환의 일부입니다. 전 세계 과학자들은 빛을 활용해 전자 병목 현상을 극복하기 위해 경쟁하고 있습니다.

올해 초, 중국의 또 다른 팀이 그들의 칩을 공개했습니다, 이 칩은 빛을 이용해 프로세서를 동기화하며 차세대 통신 및 고속 AI 컴퓨팅을 열 수 있습니다.

전통적인 칩은 전자 발진기를 사용해 클록 신호를 생성하고, 주로 하나의 기본 클록 속도에서만 작동하므로 다양한 응용 분야마다 다른 칩 제조 기술이 필요합니다. 중국 베이징대가 이끄는 국제 과학자 그룹이 설계한 새로운 칩은 “광자를 매개로 빛을 이용해 클록 신호를 생성”

그들은 시스템 내 전자 장치를 위한 기준 클록을 제공하고 단일 주파수 및 광대역 신호를 합성할 수 있는 “온칩 마이크로콤”을 개발했습니다.

“칩 위에 경주 트랙처럼 보이는 링을 구축함으로써, 빛은 지속적으로 빛의 속도로 ‘달릴’ 수 있습니다. 각 랩의 시간은 온칩 클록의 기준으로 사용됩니다,” 라고 베이징대 정보통신기술연구소의 조교수인 장 린(Chang Lin) 선임 저자는 말했습니다. “한 랩이 수십억분의 일 초만에 끝나기 때문에, 클록은 초고속으로 시간을 조절할 수 있습니다.”

새 기술을 적용한 칩은 다양한 마이크로파 주파수 대역을 포괄할 수 있습니다.

팀은 100GHz 이상의 클록 속도를 달성했으며, 8인치 웨이퍼에서 수천 개의 동일한 칩을 생산하면서 안정성 문제를 해결하고 패키징 공정을 최적화할 수 있다고 밝혔습니다.

또 다른 국제 연구팀은 Moore’s Law의 한계를 포토닉스로 해결하려고 시도했습니다²했지만, 자기광학 물질을 활용했습니다. 이 물질은 세륨이 치환된 이트륨 철 가넷(YIG)으로, 외부 자기장에 반응해 광학적 특성이 동적으로 변합니다.

연구진은 작은 자석을 사용해 물질 내부에서 데이터를 저장하고 빛의 전달을 제어함으로써 새로운 유형의 자기광학 메모리를 개척했습니다.

이 새로운 메모리 종류는 연구에 따르면 고급 포토닉 통합 기술보다 스위칭 속도가 100배 빠르고, 전력 소비는 약 1/10이며, 23억 번 이상 재프로그램이 가능해 사실상 무한한 수명을 가질 수 있습니다.

한편 미국에서는 MIT 연구진이 시연했습니다³ 광 프로세서를 개발했으며, 이 프로세서는 칩에서 AI 연산을 모두 광학적으로 수행할 수 있습니다. 그들의 광 장치는 실제로 0.5 나노초 미만의 시간에 머신러닝 분류 작업의 핵심 연산을 92% 정확도로 완료했습니다.

그들의 연구에서 과학자들은 광학에서 비선형성 문제를 해결하기 위해 비선형 광 기능 유닛(NOFU)을 설계했으며, 이는 광자가 서로 쉽게 상호작용하지 않아 광 비선형성을 활성화하는 데 에너지가 많이 소모되기 때문입니다. NOFU는 광학과 전자를 결합해 칩 상에서 비선형 연산을 통합합니다.

대학들이 개념 증명 광칩을 시연하는 동안, 주요 기술 기업들도 뒤처지지 않고 이 원리를 활용해 상용 AI 시스템을 더 빠르고 친환경적으로 만들 방법을 적극 탐구하고 있습니다.

Microsoft 연구원들은 빛 기반 컴퓨터를 상세히 설명했습니다⁴, 이 컴퓨터는 카메라 센서와 마이크로 LED를 사용해 AI를 백 배 더 효율적으로 만듭니다. 이 기술 대기업의 프로토타입 아날로그 광 컴퓨터(AOC)는 문제를 수없이 반복해서 계산하며, 매번 ‘정상 상태’에 도달할 때까지 성능이 향상됩니다.

“AOC가 제공하는 가장 중요한 측면은 에너지 효율이 약 백 배 향상될 것으로 추정한다는 점입니다,” 라고 Microsoft의 AI 연구원인 Jannes Gladrow가 연구 공동 저자로서 회사의 블로그 게시물에서 말했습니다. “그것만으로도 하드웨어에서는 전례가 없습니다.”

동시에 팀은 물리적 AOC의 연산을 모방하고 더 많은 변수와 복잡한 계산을 처리하도록 확장 가능한 “디지털 트윈” 모델을 프로그래밍했습니다. 이 모델은 팀이 “현재 장비가 해결할 수 있는 것보다 더 큰 문제에 작업할 수 있게” 해준다고 Microsoft Health Futures의 바이오메디컬 신호 처리 수석 이사인 Michael Hansen이 언급했습니다.

이 컴퓨터는 이미 MRI 이미지 재구성, 금융 거래 매칭, 간단한 AI 추론과 같은 일부 작업을 처리할 수 있습니다.

AOC를 테스트하기 위해 팀은 먼저 이미지를 분류하는 간단한 작업을 부여했으며, 물리적 AOC는 디지털 컴퓨터 수준의 성능을 보였습니다. 그 후 디지털 트윈을 사용해 원본 데이터의 62.5%만으로 뇌 스캔 이미지를 재구성했으며, 이를 정확히 수행했습니다. 과학자들은 이 성과가 MRI 시간을 단축시킬 수 있다고 믿고 있습니다.

AOC는 또한 금융 문제를 해결하는 데 사용되었으며, 현재 양자 컴퓨터보다 높은 성공률을 보였습니다.

IBM과의 인터뷰에서 Microsoft Research Cambridge의 수석 연구원인 Francesca Parmigiani는 그들의 시스템이 “이중 도메인 역량”을 가지고 있다고 말했습니다, 이는 동일한 하드웨어를 사용해 두 종류의 작업을 수행할 수 있음을 의미합니다. 이는 고정점 탐색을 활용해 두 문제 해결 방식을 연결함으로써 이루어집니다.

“가장 흥미로운 점은 동일한 하드웨어에서 AI와 최적화 작업을 모두 실행할 수 있다는 것입니다,” 라고 그녀는 말했습니다. “우리는 아직 작은 규모이지만, 이는 중요한 첫 단계입니다.”

IBM 자체는 광자를 활용해 정보를 더 빠르게 전달하고 있습니다. “우리는 AI 응용을 위해 매우 높은 밀도로 데이터를 전송하기 위해 빛을 사용하고 있습니다,” 라고 IBM Research의 연구 과학자인 Jean Benoît Héroux가 말했습니다. 그들은 칩, 메모리, 보드 간에 데이터를 전송하는 포토닉 링크를 개발하고 있습니다.

포토닉 컴퓨팅에 투자하기

광컴퓨팅에 대한 모멘텀이 빠른 AI 연산에 대한 수요와 함께 주요 기술 기업들의 관심을 끌면서, AI 선두주자 NVIDIA (NVDA )도 하드웨어를 더욱 발전시키기 위해 포토닉 인터커넥트와 광 네트워킹을 통합하는 방안을 모색하고 있습니다.

GPU 기반 AI 혁신을 주도하면서도, NVIDIA는 전통적인 칩 아키텍처의 대역폭 병목 현상을 극복하기 위해 광 데이터 전송을 연구하고 있습니다.

올해 초, 회사는 출시했습니다 공동 패키징 광학(CPO) 기반 포토닉 스위치를 도입해 기존 네트워크에 비해 10배 높은 네트워크 복원력, 3.5배 향상된 전력 효율, 그리고 1.3배 빠른 배포 시간을 제공합니다.

칩 제조업체의 주가 실적에 대해 이번 주, 주가가 $212를 넘어 $5조 시장 가치를 최초로 달성하며 사상 최고가(ATH)를 기록했습니다. 현재 $207에 거래되고 있으며, NVIDIA 주식은 연초 대비 54% 이상 상승했습니다.

EPS(TTM)는 3.51이며 P/E(TTM)는 58.93입니다. 배당 수익률 0.02%가 NVIDIA 주주에게 지급됩니다.

Nvidia의 재무 상황에 대해, 회사는 보고했습니다 2026 회계연도 2분기에 467억 달러의 매출을 기록했습니다. 전체 매출은 전 분기 대비 6% 증가했으며, 데이터 센터 매출은 5% 상승해 411억 달러에 이르렀고, Blackwell 데이터 센터 매출은 연속적으로 17% 급증했습니다.

결론

AI 열풍이 전 세계에 퍼지면서, 연구자와 기업 모두 전자를 광자로 대체해 속도, 확장성, 에너지 효율성의 새로운 세계를 열기 위해 노력하고 있습니다. AI 인프라를 재정의하려는 이 시도에서, 칭화대 광 엔진의 최근 돌파구는 광 기반 시스템이 특정 작업에서 전자 시스템과 경쟁하거나 심지어 능가할 수 있음을 보여줍니다.

하지만 포토닉 컴퓨팅은 아직 테스트 단계에 있습니다. 포토닉 컴퓨팅이 성숙하고 비용 효율성을 갖추면, 컴퓨팅이 빛의 속도로 움직이는 시대를 열 수 있습니다.

빛으로 구동되는 칩이 AI를 100배 향상시키는 방법을 알아보려면 여기를 클릭하세요.

참고문헌

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). 회절 연산자를 기반으로 한 고속 저지연 광 특징 추출 엔진. Advanced Photonics Nexus, 4(5), 056012. https://doi.org/10.1117/1.APN.4.5.056012
2. Pintus, P., Dumont, M., Shah, V., Murai, T., Shoji, Y., Huang, D., Moody, G., Bowers, J. E., Youngblood, N., et al. (2025). 포토닉 인메모리 컴퓨팅을 위한 초고내구성 통합 비반송 자기광학. Nature Photonics, 19, 54–62. https://doi.org/10.1038/s41566-024-01549-1
3. Bandyopadhyay, S., Sludds, A., Krastanov, S., Hamerly, R., Harris, N., Bunandar, D., Streshinsky, M., Hochberg, M., & Englund, D. (2024). 전방 전용 학습을 갖춘 단일 칩 포토닉 딥 뉴럴 네트워크. Nature Photonics, 18, 1335-1343. https://doi.org/10.1038/s41566-024-01567-z
4. Kalinin, K. P., Gladrow, J., Chu, J., Clegg, J. H., Cletheroe, D., Kelly, D. J., Rahmani, B., Brennan, G., Canakci, B., Falck, F., Hansen, M., Kleewein, J., Kremer, H., O’Shea, G., Pickup, L., Rajmohan, S., Rowstron, A., Ruhle, V., Braine, L., Khedekar, S., Berloff, N. G., Gkantsidis, C., Parmigiani, F., & Ballani, H. (2025). AI 추론 및 조합 최적화를 위한 아날로그 광 컴퓨터. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}