INSPIRE의 핵심은 단순히 빛으로 계산한다는 점이 아니다. 제작된 회로가 자기 계산을 개선하는 데 필요한 정보를 제공한다. 연구진은 디지털 복제 안에서만 설정을 학습해 실제 장치로 옮기는 대신 실제 광학 하드웨어의 반응을 측정한다.
이 방법은 2026년 10월 5일 Nature Computational Science에 발표됐고 나흘 뒤 Nature 연구 해설에서 소개됐다. 저자는 Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang, Lu Fang이다. 칭화대는 전자공학 부문과 Beijing National Research Center for Information Science and Technology를 주도 기관으로 설명했다.
INSPIRE는 현장 물리 기울기 하강을 뜻한다. 정밀 행렬 조정, 여러 파장 계산, 산란 매질, 메타학습을 통한 빠른 적응을 시연했다. 적응적인 광학 하드웨어를 뒷받침하지만 범용 AI 훈련에서 GPU를 이겼다는 발표는 아니다.
이상적 복제가 아닌 제작된 회로의 학습
기울기는 매개변수 변화가 오차를 어떻게 바꾸는지 나타낸다. 일반 신경망은 디지털 연산으로 미분을 계산한다. 광학 처리기에서는 빛이 도파관, 위상 조절기, 산란 구조를 통과하며 진폭과 위상이 함께 간섭을 결정한다.
시뮬레이션 정확도는 구성요소 모델에 달려 있다. 제작 편차, 열 드리프트와 잡음이 모델과 실물을 갈라놓는다. 결맞음 회로에서는 작은 위상 차이도 전체 변환을 바꿀 수 있다. 따라서 장치 특성 측정, 모델 갱신, 최적화, 설정 이전과 조건 변화 후 재보정이 반복된다.
INSPIRE는 그 물리적 순환 안에서 기울기를 얻는다. 설계와의 차이를 먼저 완벽히 재현할 필요 없이 관찰 조건으로 삼는다. 다만 목적 함수, 전자 제어와 매개변수 갱신은 여전히 필요하다. 완전한 미분 가능 디지털 복제에 대한 의존을 줄이지 모든 소프트웨어와 시뮬레이션을 없애지는 않는다.
원하는 기능을 낼 구조를 찾는 역설계는 제작 전에 계속 유용하다. 제작 후 조정은 정확히 모델링하기 어려운 가변 장치를 활용하는 보완 경로다.
양방향 빛으로 갱신 방향을 얻는다
실험은 칩 내부 합성 시간 반전 홀로그래피를 사용한다. 순방향 광장은 현재 설정의 출력을 만들고 역방향 광장은 출력 오차와 관련된 정보를 운반한다. 진폭과 위상을 포함한 복소 광장을 측정하면 조절 가능한 요소가 목적에 미치는 영향을 구할 수 있다.
광학 상반성이 두 방향의 전송을 연결한다. 여기서 물리 기울기를 추출하고 제어기가 설정을 바꿔 반복한다. 세기만 측정하면 간섭을 설명하는 위상 정보가 사라진다.
매개변수를 하나씩 바꾸는 방식은 제어 수가 늘수록 측정도 늘어난다. 양방향 방식은 개별 실험 부담을 피하지만 광장 생성, 경로 설정, 측정과 안정적 제어가 여전히 필요하다. 수식 자체가 계측 비용을 없애지는 않는다.
저자의 ‘위상구조 독립적’이라는 표현은 특정 부품 배열 하나에 한정되지 않는다는 뜻이다. 재료, 파장, 조절 기구가 달라지면 플랫폼별 공학 설계가 필요할 수 있다.
실험 숫자가 의미하는 범위
행렬 학습에서 목표 변환과 실제 변환의 상대 오차는 0.26%였다. 해당 장치의 정밀 조정을 보여주지만 임의의 심층 신경망 정확도나 장기 훈련 안정성을 뜻하지 않는다.
여러 파장은 같은 장치 안에서 별도 정보 채널을 제공한다. 실험은 이런 스펙트럼 병렬성을 조사한다. 산란 매질에서는 복잡한 경로로 섞이는 빛을 모든 불규칙성을 제거할 대상으로만 보지 않고 활용 가능한 변환으로 취급한다.
논문은 기본 조절 요소 수보다 큰 목표 행렬을 보고했다. 눈에 보이는 제어기 수만으로 물리계의 활용 범위를 판단할 수 없다는 뜻이다. 독립 매개변수가 무한히 생기지는 않는다. 제어 가능성, 잡음과 측정 품질이 실현 가능한 변환을 제한한다.
메타광학 시연은 학습한 구조의 새로운 과제에 대한 빠른 적응을 다룬다. 단일 적응과 함께 251배 모델 압축, 136배 과제별 훈련 가속이 보고됐다. 저자의 실험 체계 내부 비교이지 상용 GPU 대비 속도나 모든 운영 모델의 메모리 축소 비율이 아니다.
기존 물리 학습 연구의 다음 단계
2018년 Optica 논문은 현장 광학 기울기 측정을 제안했고 2023년 Science 실험은 집적 광학 역전파를 보였다. 2024년 Nature 연구는 순방향만 사용하는 훈련으로 오차를 뒤로 보내는 어려움에 다른 해법을 제시했다.
2026년 3월 또 다른 Nature 연구는 광학 칩에 선형·비선형 연산을 통합했다. 두 비선형 분류에서 90% 이상 정확도와 디지털 기준에 가까운 강건성을 보고했다. INSPIRE의 차별점은 행렬, 산란, 메타학습을 아우르는 구조 적용성이지 이전 방법 전체를 대체했다는 주장이 아니다.
방식마다 상반성, 신호 경로와 계측 요구가 다르다. 서로 다른 속도 배수만 나열하기보다 같은 과제에서 비교해야 한다. 일반적 방법도 모든 플랫폼에서 가장 저렴한 구현은 아닐 수 있다.
전체 시스템 비용과 확장 한계
광학은 일부 선형 연산을 병렬로 수행한다. AI는 메모리, 비선형 함수, 매개변수 저장, 제어 흐름과 데이터 이동도 필요하다. 전자 가속기는 성숙한 소프트웨어와 예측 가능한 수치 특성을 갖춘다. INSPIRE는 대규모 언어모델 훈련을 시연하지 않았다.
입력 부호화와 검출에는 변환 비용이 든다. 레이저, 변조기, 검출기, 아날로그·디지털 변환기, 온도 제어와 전자 갱신은 시간과 에너지를 소비한다. 초록은 현행 GPU와의 종단 간 에너지 비교를 제시하지 않는다. 전체 시스템이 더 효율적이라고 단정하면 증거를 넘는다.
9월 확장성 종설은 간섭계, 회절, 파장 다중화 구조를 논하며 아날로그 정밀도, 누적 오차, 신호 대 잡음 저하와 변환 비효율을 지적했다. 물리 학습은 제작 차이를 일부 보상할 수 있지만 광손실, 잡음 기울기와 인접 제어의 열 간섭을 제거하지 못한다.
패키징, 수율, 수명과 여러 장치의 보정도 남아 있다. 수십억 매개변수에는 안정적인 자유도와 큰 메모리가 필요하며 작은 회로의 갱신 규칙만으로 해결되지 않는다. 개발자가 광학 세부를 직접 조작하지 않아도 되는 소프트웨어 인터페이스도 필요하다.
더 가까운 응용은 센서, 통신, 영상과 과학 장비일 수 있다. 입력이 이미 빛이고 반복 적응이 유용해 일부 변환을 피한다. 혼합 시스템은 광학 변환에 전자 메모리와 제어를 결합할 수 있다.
다음 증거는 동일 과제 정확도, 전체 에너지와 지연, 측정 부담, 드리프트 후 안정성을 공개하는 더 큰 재현 가능한 시스템이다. 다른 플랫폼의 독립 재현은 일반성을 검증한다. 현재 성과는 모델 불일치를 우회하는 경로이며 경제성은 물리 학습 순환 전체의 유지 비용에 달려 있다.