인공지능
광섬유를 이용한 AI 훈련: 빛 기반 도약
Securities.io를 Google의 선호 소스에 추가
왜 광섬유가 AI 컴퓨팅에서 전기를 대체할 수 있는가
컴퓨터 시대 초기부터 거의 모든 컴퓨터는 오래된 진공관에서 현대의 나노미터급 실리콘 칩에 이르기까지 어떤 방식으로든 전기를 이용해 계산했습니다.
실리콘 칩이 작아지면서 연구자들은 실리콘의 한계를 넘어 계산 능력을 확장할 새로운 방식을 찾고 있습니다. 이 주제는 “상위 10개 비실리콘 컴퓨팅 기업”에서 다뤘습니다.
이 방법에는 탄화규소, 이산화바나듐, 유기물, 그래핀 같은 다양한 소재의 활용이 포함됩니다. 또 다른 길은 양자컴퓨팅과 포토닉스처럼 전기 기반의 이진 프로그래밍에서 벗어나 계산 방식 자체를 바꾸는 것입니다.
포토닉스는 정보를 인코딩하고 전송할 때 전기 대신 빛을 사용합니다. 그러나 지금까지는 결국 신호를 이진 형식으로 변환해야 했기 때문에 완전히 빛만으로 계산하지는 못했습니다.
핀란드 Tampere University와 프랑스 브장송의 Université Marie et Louis Pasteur 연구진이 이를 바꿨습니다. 광섬유로 초고속 계산을 수행하고 Optics Letters1에 “광섬유 기반 극한학습기계에서 비선형·분산 광섬유 전파의 한계”라는 제목으로 결과를 발표했습니다.
전통적인 전자 시스템을 이용한 AI 훈련의 한계
AI 훈련과 데이터 처리는 효율의 한계에 가까워지고 있으며, 에너지 소비와 데이터 처리 속도가 AI 계산을 점점 더 제약하고 있습니다.
반면 빛 기반 계산은 수천 배 더 빠를 수 있고 미세한 에너지 차이에 데이터를 인코딩해 효율을 높일 수 있습니다. 문제는 지금까지 빛만으로 직접 계산하지 못했다는 것입니다.
연구진은 신경망에서 영감을 얻은 Extreme Learning Machine(ELM)이라는 특수한 컴퓨팅 구조를 사용했습니다.
ELM은 훈련 데이터를 한 단계로 학습할 수 있고 알고리즘이 비교적 단순하다는 장점이 있습니다.
일반적으로 ELM은 여러 계층의 AI 훈련이 필요한 매우 복잡한 작업에는 적합하지 않지만, 시각 인식 같은 특정 작업에서는 매우 우수하고 효율적으로 작동할 수 있습니다.
연구자들이 광섬유를 이용해 이미지를 인코딩한 방법
연구진은 카메라 플래시보다 10억 배 짧은 펨토초 레이저 펄스와 사람 머리카락 굵기의 일부보다 좁은 영역에 빛을 가두는 광섬유를 이용해 광학 ELM 시스템을 만들었습니다.
레이저 펄스는 수많은 서로 다른 파장이나 색을 담을 만큼 짧아 풍부한 데이터 세트를 만듭니다.
그런 다음 이미지에 따라 인코딩된 상대적 시간 지연을 적용해 데이터를 광섬유로 보냈습니다.
AI 처리에서 비선형 광학의 역할
이 데이터 인코딩은 빛과 유리의 비선형 상호작용을 통해 변환되었습니다.
선형광학은 학교에서 배우는 일반적인 광학으로, 예를 들면 빛이 프리즘과 직접 상호작용하는 경우입니다.
비선형광학에서는 빛이 지나는 매질의 반응이 빛의 파장, 세기, 방향, 편광에 따라 달라집니다.
비선형 광학 부품은 서로 다른 주파수의 광자가 결합해 새로운 주파수의 광자를 만들게 할 수 있습니다.
“전통적인 전자장치와 알고리즘 대신 강한 레이저 펄스와 유리 사이의 비선형 상호작용을 활용해 계산을 수행합니다.” 마틸드 아리와 안드레이 에르몰라예프 – 박사후연구원
비선형 상호작용과 ELM 알고리즘은 널리 쓰이는 MNIST AI 벤치마크와 같은 손글씨 숫자를 분류하도록 AI를 훈련했습니다.
출처: Optics Letters
최고 성능의 시스템은 최첨단 디지털 방식에 근접한 91% 이상의 정확도를 달성했습니다.
이 결과가 뛰어난 이유는 1피코초, 즉 1조분의 1초(0.000000000001초)보다 짧은 시간에 달성되었기 때문입니다.
이상적인 최적화
최고의 결과는 비선형 상호작용이나 복잡성이 가장 높은 수준에서 나오지 않았습니다.
대신 광섬유 길이, 분산(파장별 전파 속도의 차이), 출력 수준 사이의 정교한 균형이 필요했습니다.
“성능은 단순히 광섬유에 더 많은 전력을 가하는 문제만은 아닙니다. 빛이 처음 어떻게 정밀하게 구조화되는지, 즉 정보가 어떻게 인코딩되는지와 광섬유 특성과의 상호작용에 달려 있습니다.” Mathilde Hary – Post-Doctoral Researcher
광섬유 컴퓨터가 AI의 미래가 될 수 있을까?
빛만으로 AI를 훈련하는 것은 지금까지의 모든 방법과 크게 다릅니다. 모든 데이터 유형에 적용할 수는 없겠지만, 적용 가능한 경우 에너지 효율은 1,000배, 속도는 최대 100만 배까지 높아질 수 있습니다.
“우리 모델은 분산, 비선형성 및 양자 노이즈가 성능에 어떻게 영향을 미치는지를 보여주며, 차세대 하이브리드 광-전자 AI 시스템 설계에 필요한 핵심 지식을 제공합니다.” Andrei Ermolaev – Post-Doctoral Researcher
이 방식은 일부 AI 계산을 특정 작업에 맞춰 제작한 비선형 광섬유 하드웨어에 맡기는 형태가 될 가능성이 큽니다. 따라서 새로운 데이터의 처리보다는 시각 식별 같은 반복 작업이 가장 적합한 후보입니다.
“이 연구는 비선형 광섬유 광학의 기본 연구가 새로운 계산 접근법을 촉진할 수 있음을 보여줍니다. 물리학과 머신러닝을 결합함으로써 초고속 및 에너지 효율적인 AI 하드웨어를 향한 새로운 길을 열고 있습니다.” Andrei Ermolaev – Post-Doctoral Researcher
잠재적 응용 분야는 실시간 신호 처리부터 환경 모니터링, 고속 AI 추론까지 다양합니다.
그러나 이 연구는 아직 기본 원리를 입증하는 단계이며 상용화까지는 갈 길이 멉니다.
그럼에도 빛은 근본적인 물리 법칙 때문에 일부 계산에서 전기보다 우수할 수 있으므로, 앞으로 포토닉스가 컴퓨팅 산업에서 점점 더 중요한 역할을 할 것임을 보여 줍니다.
상장된 주요 레이저 및 포토닉스 기업
Coherent (II-VI Marlow): 레이저 혁신을 선도하는 기업
COHR 가격 차트
Coherent는 26,000명 이상의 직원을 보유한 대형 산업 콘글로머리트이며 레이저 기술 분야의 선두주자입니다. 이는 첨단 소재 기업 II-VI (COHR ) Marlow와 레이저 제조업체 Coherent의 합병으로 탄생했습니다.
회사는 인듐 인화물, 에피택셜 웨이퍼, 갈륨 비소 등 레이저·광학·포토닉스에 쓰이는 첨단 소재에 전문성을 갖추고 있습니다.
지난 10년간 여러 인수에 힘입어 매출은 2013년 6억 달러에서 2024년 47억 달러로 성장했습니다.
회사는 매출의 29%를 레이저에서 직접 얻고, 나머지는 광섬유와 전자장치 같은 관련 장비에서 창출합니다. 계측 부문은 주로 생명과학과 의료 응용 분야를 포함합니다.
출처: Coherent
열광전 소재(이전 기사에서 다룬 기술), 탄화규소, 레이저, 전자장치 같은 첨단 소재 사업은 정밀 제조, 적층 제조(3D 프린팅), 전기화, 재생에너지 성장이라는 구조적 추세의 수혜를 받을 수 있게 합니다.
회사는 최근 탄화규소 사업을 별도 법인으로 분리했으며 Coherent가 지분 75%를 보유합니다. 나머지는 탄화규소 전력 반도체 지식재산을 제공하는 Mitsubishi Electric과 자동차 전동화·전력 반도체 공급 역량을 제공하는 Denso가 동일하게 나눠 보유합니다.
이는 탄화규소가 전기차, 배터리, 재생에너지 같은 고출력 응용 분야에서 주로 사용되는 독립적인 기술 영역으로 성장하고 있기 때문입니다.
Coherent는 자율주행용을 포함한 LIDAR와 3D 디지털 센싱, 생명공학 분야의 차세대염기서열분석(NGS) 플로셀, 반도체 제조용 레이저의 선도 기업입니다. 주요 시장이 8~20% 성장할 것으로 예상합니다.
출처: Coherent
지향성 에너지 무기, 포토닉 컴퓨팅, 핵융합, 우주기술 같은 새로운 레이저 응용 분야도 회사의 장기 성장을 뒷받침할 수 있습니다.
Coherent는 이 분야에 관심 있는 투자자가 찾을 수 있는 상장 “순수 레이저 기업”에 가장 가까우며, 강력한 수직 통합과 3,100개 이상의 특허로 혁신을 보호합니다.
포토닉스가 발전할수록 초고속·초정밀 레이저 시스템과 광통신에 쓰이는 레이저의 수요도 꾸준히 증가할 것입니다.
최신 Coherent (COHR) 주식 뉴스 및 개발
참조 연구
1. Andrei V. Ermolaev, Mathilde Hary, et al. Limits of nonlinear and dispersive fiber propagation for an optical fiber-based extreme learning machine. Optics Letters. Vol. 50, Issue 13, pp. 4166-4169 (2025) https://doi.org/10.1364/OL.562186
