베이징 과학자들, AI 훈련을 혁신하는 획기적인 광학 신경망 공개

획기적인 발전으로, 시앙둥 장(Xiangdong Zhang) 교수가 이끄는 베이징 공과대학교 연구진은 놀라운 '양자 속도 향상'을 보여주는 새로운 유형의 광학 신경망(ONN)을 공개했습니다. 

이 혁신은 고전적 광학 상관관계를 활용하여 ONN의 계산력을 크게 향상시킵니다. Light Science & Application에 게재된 이 성과는 효율적인 머신러닝 모델에 대한 끊임없이 증가하는 수요를 해결하고 계산 자원 제한을 완화하기 위한 주요 진전을 나타냅니다.

광학 및 양자 신경망을 통한 AI 효율성 향상.

인공지능(AI) 기술, 특히 머신러닝 알고리즘은 최근 몇 년 동안 엄청난 진전을 이루며 이미지 인식, 자연어 처리, 객체 감지 등의 작업에서 전례 없는 능력을 가능하게 했습니다.

그러나 이러한 발전에는 대가가 따릅니다. 상당한 계산 자원이 필요하기 때문입니다. 현재 계산 능력의 한계에 근접하고 있어 머신러닝 모델의 훈련 비용 절감과 훈련 효율성 향상이 필수적입니다.

연구자들은 이 도전에 대응하기 위해 두 가지 주요 경로에 노력을 집중했습니다: 광학 신경망(ONN)과 양자 신경망입니다. ONN은 고전적 광학 정보 처리에서 머신러닝 알고리즘을 실행하기 위해 고급 광학 조작 기술을 활용합니다. 

이러한 네트워크는 낮은 에너지 소비, 최소한의 크로스토크, 낮은 전송 지연을 포함한 여러 장점을 갖추고 있습니다. 그러나 전통적인 ONN은 알고리즘 가속화가 부족하여 모델 수렴 속도가 빨라지지 않습니다.

한편, 양자 신경망은 양자 컴퓨팅 이론에 기반한 신경망 알고리즘입니다. 최근 연구에 따르면 양자 신경망은 양자 상관관계로 인해 알고리즘 가속화를 달성할 수 있습니다. 불행히도 양자 신경망의 실제 적용은 기술적 제한으로 인해 방해받아 대규모로 배포하기 어렵습니다.

상관 광학 합성곱 신경망

최근 논문에서 제시된 돌파구는 양자 신경망에서 보이는 알고리즘 가속화를 모방하는 새로운 광학 신경망의 개발을 포함합니다. 이 놀라운 성과는 정보의 운반체로서 고전적 광학 상관관계를 도입함으로써 가능해졌습니다. 이러한 상관관계는 이전에 같은 연구 팀에 의해 입증된 바 있는 양자 컴퓨팅과 유사한 정보 처리를 가능하게 합니다.

연구자들은 상관 광학 상태에 합성곱 및 풀링 연산을 개발하여 상관 광학 합성곱 신경망을 생성했습니다. 이 ONN은 특정 데이터셋에서 훈련 가속화를 보여주며 특정 인코딩 원칙 하에 양자 상태의 특성을 식별하는 데 적용할 수 있습니다. 이 돌파구는 알고리즘적으로 향상된 광학 신경망의 문을 열었으며, 빅데이터 처리 시대에 유망한 이점을 약속합니다.

상관 광학 합성곱 신경망의 구조

상관 광학 합성곱 신경망은 상관 광원, 합성곱, 풀링, 검출이라는 네 가지 주요 구성 요소로 구성됩니다. 핵심 처리는 합성곱 및 풀링 섹션에서 수행됩니다. 

이러한 구성 요소는 고전적 합성곱 신경망의 구성 요소와 다르며, 광학 상태의 상관관계를 조작하고 빔 병합을 통해 더 간단한 상관 상태를 생성합니다.

연구를 주도하는 과학자들은 “이 두 부분은 실제로 양자 합성곱 신경망(Quantum CNN)의 양자 게이트와 유사한 연산을 수행합니다. 우리 네트워크의 합성곱 부분은 큐비트의 힐베르트 공간에 대한 유니타리 연산과 유사하게, 상관관계가 있는 광학 상태에 대한 유니타리 연산으로 구성됩니다.”라고 설명합니다. 

우리가 고려하는 풀링(Pooling) 부분은 부분 큐비트를 측정하여 부분 힐베르트 공간을 얻는 것과 동일합니다. 이는 데이터 차원의 지수적 감소를 초래하며, 특정 데이터셋을 학습할 때 손실 함수의 수렴 속도를 높이는 데 기여합니다.”

또한 연구진은 상관관계가 있는 광학 합성곱 신경망과 양자 합성곱 신경망 간의 유사성을 양자 상태의 위상학적 위상 식별을 통해 검증했습니다. 이론적 및 실험적 결과 모두 이 검증을 뒷받침합니다.

양자 신경망을 위한 비용 효율적인 대안

이 연구 결과는 더 비용 효율적인 방식으로 양자 신경망의 특성을 실현할 수 있다는 흥미로운 가능성을 제시합니다. 양자 신경망은 잠재적 이점을 제공하지만, 실제 구현에는 여러 다중 큐비트 게이트와 복잡한 측정이 필요한 복잡한 양자 회로가 필요합니다. 

이러한 회로는 환경적 방해에 매우 취약하여 안정성과 오류 수정이 상당한 과제가 됩니다.

본 연구에서 소개된 상관관계가 있는 광학 신경망은 매력적인 대안을 제시합니다. 이들은 요소 배열이 용이하며 실험 환경 요구 사항이 낮습니다. 

데이터의 지수적 성장과 고품질 연산을 위한 자원의 부족을 고려할 때, 이 접근 방식은 다양한 데이터 과학 연구 분야에서 광범위한 응용 가능성을 지닌 비용 효율적이고 고성능의 솔루션을 제공합니다.