실리콘에서 빛까지: 차세대 AI 하드웨어의 물결

인공지능(AI)이 점점 더 대중화되고 강력해짐에 따라 속도와 에너지에 대한 요구량도 증가하고 있습니다. 더 빠르고, 더 똑똑하고, 더 효율적인 시스템에 대한 필요성으로 인해 연구자들은 획기적인 대안인 광학 컴퓨팅을 탐구하게 되었습니다.

전자를 사용하는 기존 프로세서와 달리, 광 컴퓨팅은 광자, 즉 빛의 입자를 사용하여 정보를 전송하고 처리합니다. 이러한 변화는 두 가지 중요한 이점을 제공합니다.

첫째, 광자는 에너지 효율이 매우 높습니다. 광자는 전자보다 훨씬 적은 열을 발생시키는데, 전자는 너무 많은 열을 발생시켜 성능을 제한하고 데이터 센터에서 크고 값비싼 냉각 시스템을 필요로 합니다.

둘째, 빛은 전류보다 훨씬 빠르게 이동하므로 훨씬 빠른 연산이 가능합니다. 또한 광 신호는 더 많은 정보를 전달할 수 있어 더욱 깔끔하고 빠른 컴퓨팅을 구현하는 간단한 방법을 제공합니다.

그 결과, 광자 컴퓨팅에 대한 관심이 점차 높아지고 있습니다. 이 기술은 실험실 환경에서 유망한 결과를 보여주고 있으며 주요 기업들로부터 상당한 투자를 유치하고 있습니다.

하지만 실험실에서의 성공을 실제 광자 장치로 구현하는 것은 상당히 어려운 과제로 남아 있습니다. 이를 위해서는 몇 가지 난관을 극복해야 합니다. 광자는 자연적으로 서로 상호작용하지 않기 때문에 컴퓨팅의 핵심인 광학 논리 게이트를 구축하기 어렵습니다. 또한, 이 기술은 아직 연구 단계에 있어 수십 년간의 상용화를 통해 축적된 전자 칩 제조 기술만큼 성숙도와 규모의 경제성을 갖추지 못했습니다.

그다음으로는 비용, 부피, 그리고 낮은 변조율 문제가 있습니다. 제한 대부분의 기존 광학 장치. 

새로운 연구가 이 문제를 극복하는 데 중요한 진전을 이루었습니다. 일부 개발로 인한 한계 새로운 광학 엔진, 어느 속도, 효율성 및 소형화를 결합합니다. 한 칩.

칭화대학교 연구진이 컴퓨팅을 위한 획기적인 광학 시스템을 개발했습니다. 특징 추출을 수행합니다 전례 없이 낮은 지연 시간으로, 혁명을 일으킬 잠재력을 지닌 AI 처리.

사용법 전기가 아닌 빛을 사용하여 데이터를 처리하는 이 기술은 컴퓨팅 속도를 크게 향상시키면서 지연 시간을 최소화하여 실시간 AI를 향한 중요한 도약을 가능하게 합니다.

이 새로운 시스템의 핵심에는 반도체 광 증폭기 기반 마흐-젠더 간섭계(SOA-MZI)가 있습니다. 

SOA는 유도 방출을 통해 빛 신호를 직접 증폭하는 소형 장치입니다. 한편, 가장 오래된 광학 기기 중 하나인 MZI는 기본적입니다. 도파관 간섭 두 개의 커플러가 연결된 장치 두 길이가 서로 다른 도파관.

이제 SOA-MZI 설정입니다. 수 빛 수행 딥러닝의 기반이 되는 작업. 여기 있는 정보는 처리되고, 특징은 다음과 같습니다. 처럼 패턴과 가장자리 검출된다 빛 신호에서, 변환 없이 그들 다시 전기를 공급받도록.

또한, a 파장 분할 다중화 (WDM)해당 기기에서 사용되는 방법입니다.. 이 특정 방식은 빛을 여러 색의 스펙트럼으로 나누고, 각 색마다 고유한 데이터 스트림을 전달합니다. WDM을 활용하면 칩이 작동할 수 있습니다. . 병렬 계산, 그러므로 증가 전에, 처리량. 

실험실 테스트에서 엔진은 다음과 같은 속도로 데이터를 처리했습니다. 최대 속도 채널당 초당 10기가비트(Gbps)의 속도와 수십 피코초(ps)에 불과한 지연 시간을 제공합니다. 참고로, 1피코초(ps)는 1,000펨토초 또는 나노초의 1,000분의 1에 해당합니다.

이러한 결과는 엔진이 어떤 전자 프로세서보다 훨씬 빠르다는 것을 보여줍니다. 혹시 달성하고자 하는 바.

이게 뭐야? 속도는 그는 이 시스템은 정보를 처리할 수 있습니다. 실시간, 그것을 만들기 완전한 응용 프로그램 처럼 고빈도 거래, 의료 영상, 로봇 외과, or 자율주행차. 이러한 애플리케이션은 AI가 원시 데이터에서 핵심 특징을 빠른 속도로 추출하는 능력에 의존하므로, 심지어 밀리초 단위로도 추출이 가능합니다. 매우 중요합니다. 

획기적인 발전: 칭화대학교의 광학 엔진과 실시간 AI

무어의 법칙 라고 마이크로칩에 있는 트랜지스터 수가 두 배로 늘어납니다. about 매주 두 연령. 결과 증가 컴퓨팅 능력, 비용 감소글렌데일 전체 더 작은 기기들.

반도체 산업의 혁신을 주도해 온 이러한 추세는 이제 것 같다 끝나고. 트랜지스터의 크기가 불과 몇 나노미터 수준으로 작아지면서, 실리콘 기반 기술의 물리적 한계에 근접하고 있습니다.

크기가 작다는 점 외에도, 이로 인해 전자 터널링과 누설 전류가 발생합니다. 그 증가 에너지 사용량과 열 발생량이 증가하면서 최첨단 마이크로칩 제조 비용이 급증했습니다. 한편, 실리콘 자체는 ​​성능과 확장성 측면에서 한계에 도달하고 있습니다.

이 이것이 바로 연구자들이 그리고 기업들은 대안적인 해결책을 모색해 왔다. 칩렛, 시스템 온 패키지(SiP), 비휘발성 메모리, 양자 컴퓨팅, 바이오 컴퓨팅, 그리고 물론 포토닉스와 같은 기술들이 있습니다. 

이러한 대안들 중에서 광자 기술은 인공지능 응용 분야에 특히 유망한 것으로 보입니다. 빛의 힘을 활용하여 특징 추출을 수행합니다., 머신러닝에서 중요한 단계, 속도가 크게 빨라질 수 있습니다. 

특징 추출은 원시 데이터를 특징 데이터로 변환하는 과정입니다. 머신러닝(ML) 모델이 근본적인 문제를 더 잘 나타낼 수 있도록 수치적 특징을 단순화한 집합입니다. 이 기법은 데이터의 복잡성을 줄여 가장 관련성이 높은 정보를 추출함으로써 ML 알고리즘의 성능과 효율성을 향상시킵니다.

빛은 특징 추출 속도를 높일 수 있지만, 빠른 광학 연산을 위해 안정적이고 일관된 빛을 유지하는 것은 매우 어려운 과제입니다. 

에 태클 연구원들은 이렇게 말합니다. 에 칭화 대학 2세대 광학 특징 추출 엔진(OFE2)을 개발했습니다.¹ 광학적 특징 추출을 수행할 수 있는 을 통한 수많은 실제 응용 분야. 칩에 통합된 이 시스템은 조정 가능한 전력 분배기와 정밀한 지연선을 사용하여 안정적인 병렬 광 신호를 전달합니다.

시스템 들어오는 데이터를 역직렬화합니다. 데이터 스트림 입력 신호를 여러 개의 동기화된 광파로 샘플링함으로써 이를 허용하는 병렬 실시간 처리.

이 빛 파동은 회절 연산자라는 미세한 판 모양 구조를 통과하는데, 이 구조는 빛이 통과하는 동안 계산을 수행합니다. 이 연산은 데이터 변환 및 처리에 사용되는 인공지능의 기본 연산인 행렬-벡터 곱셈과 유사합니다.

회절된 빛이 출력단에서 어떻게 초점을 맞춘 '밝은 점'을 만들어내는지는 이 작동의 핵심입니다. 부분적으로 편향될 수 있습니다. 병렬 입력 광의 위상을 조정하여 특정 출력 포트로 빛을 전달합니다. 출력의 이러한 변화와 그에 따른 변동 덕분에 OFE2라고도 불리는 그들의 엔진은 특정 지점을 포착할 수 있습니다. 의 기능 입력 신호의 변화 시간이 지남에.

OFE2는 다음에서 운영됩니다. 비율 12.5GHz는 광 컴퓨팅 분야에서 기록적인 속도이며, 단일 행렬-벡터 곱셈을 수행할 수 있습니다. 이내 250.5 ps, 하는 것입니다 유사한 제품 중 가장 낮은 지연 시간 구현 광학 컴퓨팅.

"우리는 이 연구가 실제 응용 분야에서 10GHz 이상의 속도를 달성할 수 있도록 통합 광학 회절 컴퓨팅을 발전시키는 데 중요한 기준점을 제공한다고 확신합니다."

- 이 연구를 수행한 칭화대학교의 홍웨이 첸 교수 연구팀은 다음과 같이 밝혔습니다.

팀은 다양한 작업에서 시스템의 뛰어난 성능을 입증했습니다.

디지털 거래 작업 테스트에서 OFE2는 인상적인 결과를 보여주었습니다. 트레이더는 실시간 가격 신호를 OFE2에 입력하고, 최적화된 엔진은 다음과 같은 출력 신호를 생성합니다. 직접 번역됨 시스템이 빛의 속도로 작동하기 때문에 최소한의 지연으로 안정적인 수익성을 달성하기 위한 매수 또는 매도 결정에 신속하게 대응할 수 있습니다.

연구팀은 이미지 처리를 위해 OFE2도 사용했습니다. 어디에 엔진은 입력 이미지에서 에지 특징을 추출했습니다. 만든 입체감과 조각 효과를 닮은 두 개의 상호 보완적인 특징 지도. OFE2로 제작된 광학적 특징은 훨씬 더 우수한 성능을 보였습니다. in 이미지 분류 및 강화 픽셀 의미 분할의 정확도 처럼 컴퓨터 단층 촬영(CT) 스캔에서 장기를 식별합니다.

더욱 중요한 것은 AI 시스템이 OFE2를 사용할 때 필요한 전자 매개변수의 수가 줄어든다는 점이며, 이는 광학 사전 처리가 더 가볍고 효율적이며 비용 효율적인 하이브리드 AI 시스템을 구현할 수 있는 잠재력을 보여준다는 것입니다. 힘든 일 수행 광학 전처리를 통해반면 AI 모델은 학습과 해석에 집중할 수 있습니다.

이러한 결과는 가장 집중적인 연산 부하를 전자 장치에서 광자 장치로 옮길 수 있음을 시사하며, 이는 실시간 AI 모델의 미래를 열어줄 수 있습니다.

연구원들에 따르면, 그들의 장치는 처리할 수 있다. 거대한 데이터 스트림 아주 작은 부하가 걸린 상태에서도 우수한 신호 무결성을 유지하면서 에너지 손실을 줄입니다.

첸 교수는 “이번 연구에서 제시된 발전된 기술은 통합 회절 연산자의 처리 속도를 향상시켜 이미지 인식, 의료 지원, 디지털 금융과 같은 분야에서 연산 집약적인 서비스를 지원할 수 있게 해줍니다.”라고 말하며, “데이터 집약적인 연산 요구 사항을 가진 파트너들과 협력할 수 있기를 기대합니다.”라고 덧붙였습니다.

실리콘 포토닉스를 통해 빛의 속도로 컴퓨팅이 어떻게 가능해지는지 알아보려면 여기를 클릭하십시오.

광자 기술을 활용한 컴퓨팅 혁신을 위한 글로벌 경쟁 

스크롤하려면 스와이프하세요 →

칭화대학교의 이러한 성과는 더 큰 세계적인 변화의 일부입니다. 전 세계 과학자들은 빛을 이용하여 전자 장치의 한계를 극복하기 위해 경쟁하고 있습니다.

올해 초, 또 다른 중국 팀이 공개 그것의 칩, 활용하는 빛을 이용해 프로세서를 동기화하면 차세대 통신과 고속 AI 컴퓨팅을 구현할 수 있습니다.

기존 칩은 전자 발진기를 사용하여 클록 신호를 생성합니다., 그들 자주 만 에서 작동하다 한 기본 클럭 속도, 즉 애플리케이션마다 다릅니다. 필요한 것 서로 다른 칩 제조 기술. 새롭게 설계된 칩은 전에, 중국 베이징 대학이 주도하는 국제 과학자 그룹은 "빛을 매개체로 사용하여 광자를 통해 시계 신호를 생성"합니다.

그들은 단일 주파수 및 광대역 신호를 합성하고 기준 클록을 제공할 수 있는 "온칩 마이크로콤"을 개발했습니다. 시스템 내 전자 장치.

"칩 위에 경주로처럼 생긴 링을 만들면 빛이 빛의 속도로 끊임없이 '달릴' 수 있습니다. 각 랩을 도는 데 걸리는 시간은 다음과 같습니다." 그런 다음 사용됩니다. "온칩 클럭의 표준으로 사용됩니다."라고 주 저자인 창린 조교는 말했습니다. 정보통신기술연구소 교수 베이징 대학의 연구원은 "트랙을 한 바퀴 도는 데 수십억분의 1초밖에 걸리지 않기 때문에, 이 시계는 초고속으로 시간을 조절할 수 있다"고 말했습니다.

새로운 기술을 탑재한 칩은 다양한 영역을 커버할 수 있습니다. 여러 마이크로파 주파수 대역.

그 팀은 100GHz가 넘는 클럭 속도를 달성했습니다. 이 말했다 그 그들은 8인치 웨이퍼에 수천 개의 동일한 칩을 생산할 수 있습니다. 그들은 해결한다 안정성 문제 및 최적화 포장 공정.

또 다른 국제 연구팀 시도 에 무어의 법칙의 한계를 해결한다² 광자학을 통해서는 가능하지만 그들은 활용했다 자기광학 소재. 이 물질은 세륨이 치환된 이트륨 철 가넷(YIG)으로, 외부 자기장에 반응하여 광학적 특성이 동적으로 변화합니다. 

아주 작은 자석을 사용하여 데이터를 저장하고 제어합니다. 전에, 이전 빛의 연구진은 해당 소재 내에서 새로운 유형의 자기광학 메모리를 개발하는 데 성공했습니다.

연구에 따르면 이 새로운 종류의 메모리는 첨단 광자 집적 기술보다 스위칭 속도가 100배 빠르고 전력 소비는 약 10분의 1에 불과하며 2.3억 번 이상 재프로그래밍할 수 있어 잠재적으로 무제한 수명을 의미합니다.

한편, 미국에서는 과학자들이 에 MIT는 시연³ 광자 프로세서 할수있다 모든 전에, 칩 상에서 광학적으로 AI 연산이 이루어집니다. 그들의 광학 장치는 실제로 완료 머신러닝 분류 작업에 필요한 핵심 연산을 0.5나노초 미만에 수행합니다. 와 정확도 92%.

연구진은 광학 분야의 비선형성 문제를 해결하기 위해 비선형 광학 기능 단위(NOFU)를 설계했습니다. 때문이다 광자는 아닙니다 상호 작용 과 서로 쉽게, 그러므로 광학적 비선형성을 활성화하는 데 많은 에너지가 소모됩니다. NOFU는 광학과 전자공학을 결합하여 비선형 연산을 통합합니다. 칩 위에.

대학들이 광학 칩의 개념 증명을 선보이는 동안, 주요 기술 기업들도 그 뒤를 바짝 쫓고 있습니다. 이들은 이러한 원리를 활용하여 상업용 AI 시스템을 더욱 빠르고 친환경적으로 만드는 방법을 적극적으로 모색하고 있습니다.

마이크로소프트 연구원 빛을 기반으로 하는 컴퓨터에 대해 자세히 설명했습니다.⁴, 어느 카메라 센서와 마이크로 LED를 사용합니다., AI를 만들기 위해 백 훨씬 더 효율적입니다. 이 거대 기술 기업이 만든 아날로그 광 컴퓨터(AOC) 시제품 계산 문제 다수의 여러 번, 그리고 매번, "안정 상태"에 도달할 때까지 개선됩니다. 달성.

마이크로소프트의 AI 연구원이자 이번 연구의 공동 저자인 야네스 글래드로우는 "AOC가 제공하는 가장 중요한 이점은 에너지 효율이 약 100배 향상된다는 점입니다."라고 말했습니다. 회사의 블로그 게시물"그것만으로도 하드웨어 업계에서는 전례 없는 일입니다."

동시에 연구팀은 물리적 AOC의 계산을 모방하고 더 많은 변수와 더욱 복잡한 계산을 처리할 수 있도록 확장 가능한 "디지털 트윈" 모델을 개발했습니다. 마이크로소프트 헬스 퓨처스의 생체의학 신호 처리 담당 수석 이사인 마이클 한센은 이 모델을 통해 "현재 장비 자체로는 해결할 수 없는 더 큰 문제들을 연구할 수 있게 되었다"고 말했습니다.

컴퓨터는 이미 처리할 수 있습니다. 일부 작업 처럼 MRI 영상 재구성, 금융 거래 매칭 및 간단한 AI 추론.

AOC를 테스트하기 위해 연구팀은 먼저 간단한 이미지 분류 작업을 수행했는데, 실제 AOC는 디지털 컴퓨터와 거의 비슷한 수준의 성능을 보였습니다. 그다음 디지털 트윈을 사용하여 재구성했습니다. 이미지 원본 데이터의 62.5%만을 사용하여 뇌 스캔을 진행했는데, 실제로 그런 결과가 나왔습니다. 그 정확히. 과학자들은 이러한 성과가 MRI 검사 시간을 단축하는 데 도움이 될 수 있다고 믿습니다.

AOC도 사용되었습니다. 재정 문제를 해결하기 위해, 그것이 가지고 있던 것 현재 양자 컴퓨터보다 성공률이 더 높습니다.

에서 IBM과의 인터뷰마이크로소프트 리서치 캠브리지의 수석 연구원인 프란체스카 파르미지아니는 그들의 시스템이 "듀얼 도메인 기능"을 갖추고 있다고 말했습니다. 수단 두 가지 기능을 수행할 수 있습니다. 가지 작업 사용 동일한 하드웨어입니다. 이 수행 고정점 탐색을 활용하여 두 문제를 해결하는 방식을 연결합니다.

"가장 흥미로운 점은 인공지능과 최적화 작업을 동일한 하드웨어에서 실행할 수 있다는 것입니다."라고 그녀는 말했다. "아직 규모는 작지만, 이는 중요한 첫걸음입니다."

IBM 자체는 ~을 이용하다 광자가 아니라 할 계산을 하는 것이 아니라 정보를 더 빠르게 전달하기 위해서입니다. "저희는 인공지능 애플리케이션을 위해 매우 높은 밀도로 데이터를 전송하는 데 빛을 사용하고 있습니다."라고 IBM 연구소의 연구원인 장 브누아 에루는 말했습니다. 그들은 칩, 메모리 및 보드 간에 데이터를 전송하는 광자 링크를 개발하고 있습니다.

광자 컴퓨팅에 투자하기 

광자 컴퓨팅의 추진력으로서 캐치 주요 기술 기업들의 관심 가운데 더 빠른 AI 연산에 대한 수요 증가, AI 분야의 총아 NVIDIA (NVDA ) 또한 광자 상호 연결 및 광 네트워크를 통합하는 방법을 모색해 왔습니다. 순서대로 하드웨어 성능을 더욱 향상시키기 위해서입니다.

NVIDIA는 GPU 기반 AI 혁명을 선도하는 동시에 기존 칩 아키텍처의 대역폭 병목 현상을 극복하기 위해 광 데이터 전송 기술을 연구하고 있습니다.

올해 초 회사 시작 광학 소자가 함께 패키징된(CPO) 광자 스위치 지원을 도입하세요. 네트워크 복원력 10배 향상, 전력 효율 3.5배 개선, 구축 시간 1.3배 단축 반면 기존 네트워크.

반도체 제조업체의 주가 실적은 이번 주에 다음과 같습니다., 주가가 212달러를 돌파하면서 시가총액 5조 달러를 달성한 최초의 기업이 되었습니다. 친 새로운 최고치(ATH). 현재 207달러에 거래되고 있는 엔비디아 주가는 연초 대비 54% 이상 상승했습니다.

이 회사의 주당순이익(EPS, 최근 12개월 기준)은 3.51달러이고, 주가수익비율(P/E, 최근 12개월 기준)은 58.93배입니다. 배당수익률은 0.02%입니다. 지불 엔비디아 주주 여러분께.  

때에 온다 엔비디아의 재정 상황, 회사 신고 a 2026 회계연도 2분기 매출은 46.7억 달러로 예상됩니다. 전체 매출은 전 분기 대비 6% 증가했지만, 엔비디아의 데이터 센터 매출은 5% 증가한 41.1억 달러를 기록했으며, 특히 블랙웰 데이터 센터 매출은 직전 분기 대비 17% 급증했습니다.

맺음말

인공지능 열풍이 확산됨에 따라 전 세계연구자들과 기업들이 함께 노력하고 있습니다. 교체 시 전자와 광자를 결합하여 속도, 확장성 및 에너지 효율성 측면에서 새로운 세계를 열어갑니다. 인공지능 인프라를 재정의하려는 이러한 시도에서, 칭화대학교의 광학 엔진이 최근 이룬 획기적인 성과는 빛 기반 시스템이 경쟁력을 갖출 수 있음을 보여줍니다. 심지어 특정 작업에서 전자 장비보다 뛰어난 성능을 발휘합니다.

하지만 광자 컴퓨팅은 아직 시험 단계에 있습니다. 광자 컴퓨팅이 성숙해지고 비용 효율성이 확보되면, 컴퓨팅이 빛의 속도로 움직이는 시대가 도래할 수 있습니다.

빛을 에너지원으로 사용하는 칩이 인공지능 성능을 100배 향상시키는 방법을 알아보려면 여기를 클릭하세요.

참고자료

<sup>1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). 회절 연산자를 기반으로 하는 고속 및 저지연 광학 특징 추출 엔진. 첨단 광자학 넥서스, 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, JE, Youngblood, N., et al. (2025). 광자 인메모리 컴퓨팅을 위한 초고내구성 통합 비상호 자기광학. 네이처 포토닉스, 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). 순방향 학습만 사용하는 단일 칩 광자 심층 신경망. 네이처 포토닉스, 18, 1335 - 1343. https://doi.org/10.1038/s41566-024-01567-z
4. Kalinin, KP, Gladrow, J., Chu, J., Clegg, JH, Cletheroe, D., Kelly, DJ, 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, NG, Gkantsidis, C., Parmigiani, F., & Ballani, H. (2025). AI 추론 및 조합 최적화를 위한 아날로그 광학 컴퓨터. 자연, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z</sup>