레이저 기반 인공 뉴런, 번개처럼 빠른 속도로 신경 세포 기능 모방

연구자들은 생물학적 그레이딩 뉴런의 기능, 역학 및 정보 처리를 완벽하게 모방하는 레이저 기반 인공 뉴런을 개발했습니다. 신호 처리 속도가 10GBaud로 생물학적 대응물보다 10억 배 빠르며, 새로운 레이저 그레이딩 뉴런은 인공 지능 및 기타 유형의 고급 컴퓨팅과 같은 분야에서 획기적인 진전을 이룰 수 있습니다.

신체에는 다양한 유형의 신경 세포가 포함되어 있으며, 여기에는 막 전위의 지속적인 변화를 통해 정보를 인코딩하는 등급 뉴런이 포함되어 있어 미묘하고 정확한 신호 처리가 가능합니다. 반면 생물학적 스파이크 뉴런은 올-오-노 액션 전위를 사용하여 정보를 전송하여 보다 이진 형태의 의사소통을 만듭니다.

홍콩 중국 대학의 연구팀 리더인 차오란 황은 "저희의 레이저 등급 뉴런은 스파이크 뉴런의 현재 광자 버전의 속도 제한을 극복하고 더 빠른 작동이 가능하다는 잠재력이 있습니다."라고 말했습니다. "뉴런과 같은 비선형 동역학과 빠른 처리를 활용하여 패턴 인식 및 시퀀스 예측과 같은 AI 작업에서 뛰어난 성능을 보이는 저장 컴퓨팅 시스템을 구축했습니다."

Optica Publishing Group의 영향력 있는 연구 저널인 Optica 에서 연구자들은 칩 기반 양자점 레이저 등급 뉴런이 10GBaud의 신호 처리 속도를 달성할 수 있다고 보고했습니다. 그들은 이 속도를 사용하여 단 1초 만에 1억 개의 심장 박동 또는 3,470만 개의 손으로 쓴 디지털 이미지의 데이터를 처리했습니다.

황은 "우리 기술은 높은 정확도를 유지하면서도 시간에 민감한 애플리케이션에서 AI 의사 결정을 가속화할 수 있습니다."라고 말했습니다. "데이터를 출처 근처에서 처리하는 엣지 컴퓨팅 장치에 우리 기술을 통합하면 미래에 에너지 소비를 줄여 실제 애플리케이션에 더 잘 서비스하는 더 빠르고 스마트한 AI 시스템을 용이하게 할 수 있기를 바랍니다."

더 빠른 레이저 뉴런

생물학적 뉴런의 행동을 모방하는 방식으로 입력 신호에 응답할 수 있는 레이저 기반 인공 뉴런은 초고속 데이터 처리 속도와 낮은 에너지 소비 덕분에 컴퓨팅을 크게 향상시키는 방법으로 탐구되고 있습니다. 그러나 지금까지 개발된 대부분의 인공 뉴런은 광자 스파이크 뉴런이었습니다. 이러한 인공 뉴런은 응답 속도가 제한적이고 정보 손실이 발생할 수 있으며 추가 레이저 소스와 변조기가 필요합니다.

광자 스파이크 뉴런의 속도 제한은 일반적으로 레이저의 이득 섹션에 입력 펄스를 주입하여 작동한다는 사실에서 비롯됩니다. 이는 뉴런이 얼마나 빨리 반응할 수 있는지 제한하는 지연을 일으킵니다. 레이저 그레이딩 뉴런의 경우 연구자들은 양자점 레이저의 포화 흡수 섹션에 무선 주파수 신호를 주입하여 이러한 지연을 피하는 다른 접근 방식을 사용했습니다. 또한 포화 흡수 섹션을 위한 고속 무선 주파수 패드를 설계하여 더 빠르고 간단하며 에너지 효율적인 시스템을 만들었습니다.

황은 "강력한 메모리 효과와 뛰어난 정보 처리 능력을 갖춘 단일 레이저 그레이딩 뉴런은 작은 신경망처럼 작동할 수 있습니다."라고 말했습니다. "따라서 복잡한 추가 연결이 없는 단일 레이저 그레이딩 뉴런조차도 고성능으로 머신 러닝 작업을 수행할 수 있습니다."

고속 저수지 컴퓨팅

연구자들은 레이저 그레이딩 뉴런의 기능을 더욱 입증하기 위해 이를 사용하여 저수지 컴퓨팅 시스템을 만들었습니다. 이 계산 방법은 저수지로 알려진 특정 유형의 네트워크를 사용하여 음성 인식 및 날씨 예측에 사용되는 것과 같은 시간 종속 데이터를 처리합니다. 레이저 그레이딩 뉴런의 뉴런과 같은 비선형 동역학과 빠른 처리 속도는 고속 저수지 컴퓨팅을 지원하는 데 이상적입니다.

테스트에서, 그 결과 생성된 저수지 컴퓨팅 시스템은 높은 처리 속도를 가진 다양한 AI 애플리케이션에서 뛰어난 패턴 인식 및 시퀀스 예측, 특히 장기 예측을 보였습니다. 예를 들어, 초당 1억 개의 심박수를 처리하고 평균 정확도 98.4%로 부정맥 패턴을 감지했습니다.

"이 연구에서는 단일 레이저 그레이딩 뉴런을 사용했지만, 여러 개의 레이저 그레이딩 뉴런을 캐스케이드하면 뇌가 네트워크에서 함께 작동하는 수십억 개의 뉴런을 가지고 있는 것처럼 잠재력을 더욱 끌어낼 수 있을 것이라고 믿습니다." 황은 말했습니다. "레이저 그레이딩 뉴런의 처리 속도를 개선하는 동시에 캐스케이드 레이저 그레이딩 뉴런을 통합하는 딥 리저버 컴퓨팅 아키텍처를 개발하기 위해 노력하고 있습니다."

출처: https://www.sciencedaily.com/releases/2024/12/241219152223.htm