Cornell의 광학 AI 링크, 메모리 병목에 도전하다

IEEE Spectrum은 Cornell Tech 연구진이 기존의 광학 수신기 단계를 우회해 비트당 0.7피코줄의 에너지로 빛을 이용해 칩 메모리에 데이터를 전송했다고 보도했다. 이 수치는 완성된 로봇 부품이 아닌 28나노미터 프로토타입에서 나온 것이다. 그럼에도 이 실험은 비용이 큰 문제를 정면으로 겨냥한다. AI 프로세서는 분리된 메모리에서 전기 연결을 통해 모델 파라미터를 반복적으로 가져와야 한다.

박사후 연구원 Yifan He와 부교수 Jae-sun Seo는 수정된 정적 랜덤 액세스 메모리, 즉 SRAM을 중심으로 수신기를 구축했다. 각 감광 셀은 들어오는 빛을 저장된 이진값을 바꿀 수 있는 전류로 변환한다. 따라서 빛은 다른 회로가 해독하고 라우팅해야 하는 전기 신호가 되는 대신 메모리에 데이터를 기록한다.

즉각적인 결과는 제한적이다. 실험실 송신기는 거의 1미터 거리에서 하나의 고정된 14×14비트 패턴을 전송했다. 연구진은 이제 변화하는 송신기, 더 높은 밀도의 셀, 그리고 움직이는 기계 주변에서도 시스템이 신뢰성을 유지한다는 증거가 필요하다. 더 큰 과제는 분명하다. 전기식 메모리 링크는 성숙하고 빠르며, 에너지 비용이 계속 증가하더라도 대체하기 어렵다.

IEEE Spectrum의 광학 수신기, SRAM에 직접 기록하다

이 수신기가 중요한 이유는 동일한 어레이 안에서 광학 검출과 메모리 프로그래밍을 결합하기 때문이다.

Cornell 연구팀은 2026년 6월 IEEE/JSAP Symposium on VLSI Technology and Circuits에서 광학 프로그래밍 가능 SRAM 수신기를 발표했다. 공개된 학회 초록은 온칩 스큐 보정 기능과 비트당 0.7피코줄의 측정 에너지 사용량을 갖춘 28나노미터 칩을 설명한다.

일반적인 광학 연결은 수신 과정을 여러 작업으로 나눈다. 먼저 포토다이오드가 빛을 작은 전류로 변환한다. 이후 아날로그 구성요소가 그 전류를 증폭하고, 디지털 회로가 전송된 비트를 복구한다. 이러한 구성요소는 수신단의 에너지 사용량, 칩 면적, 설계 복잡성을 늘린다.

He와 Seo는 이 순서를 바꿨다. 이들의 수신기는 수정된 SRAM 셀 내부에 포토다이오드를 배치한다. 들어오는 빛은 각 조명된 셀에 저장된 상태를 바꿀 만큼의 광전류를 생성한다. 데이터는 공간 패턴으로 병렬 도착하며, 각 밝거나 어두운 위치가 하나의 비트를 나타낸다.

이 패턴은 QR 코드와 비슷하지만, 그 비교에는 한계가 있다. 스마트폰 카메라는 소프트웨어가 픽셀을 해석하기 전에 전체 이미지를 캡처한다. Cornell의 어레이는 각 조명 위치를 이용해 해당 메모리 셀을 바꾼다. 전송의 목적지가 곧 검출기이기도 하다.

이 차이는 설계의 핵심 매력을 만든다. AI 모델 파라미터는 모델이 입력을 출력으로 변환하는 방식을 제어하는 대규모 수치값 집합이다. 가속기는 추론을 실행하는 동안 이 값들을 반복적으로 읽는다. 파라미터를 프로세서에 더 가깝게 옮기면 이를 가져오는 데 드는 시간과 에너지를 줄일 수 있다.

프로토타입은 익숙한 두 메모리 유형에 서로 다른 역할을 부여한다. 동적 랜덤 액세스 메모리, 즉 DRAM은 주어진 면적 안에 더 많은 데이터를 저장하지만 주기적 리프레시가 필요하다. SRAM은 더 많은 면적을 차지하지만 빠르게 응답하며 일반적으로 처리 로직 가까이에 위치한다.

연구진이 제안한 구성에서 DRAM은 광학 송신기 옆에 남는다. 수신기는 프로세서의 로컬 SRAM 일부를 이룬다. 빛 패턴은 더 큰 메모리에서 선택된 데이터를 전달해 인접한 어레이에 기록한다.

정렬은 즉각적인 문제를 제시한다. 벤치 위의 송신기와 수신기는 이동하거나 기울어지거나 완벽하지 않은 각도로 놓일 수 있다. 따라서 광학 패턴의 서로 다른 부분이 할당된 셀에 약간 다른 시간이나 위치로 도달할 수 있다.

이 칩은 기준 프레임과 보정 회로를 사용해 이 스큐를 수정한다. 실제 데이터를 받아들이기 전에 예상 픽셀 위치를 수신된 패턴과 비교한다. Seo는 IEEE Spectrum에 직접적인 점대점 배치가 이상적이지만, 보정 기능이 약간 기울어진 링크도 지원한다고 말했다.

시연에서는 금속 마스크를 통과한 적색광을 사용했다. 이 마스크는 고정된 14×14비트 이미지를 만들었기 때문에, 송신기는 시연 중 하나의 물리적 패턴만 표시할 수 있었다. 작동 중인 로봇에 변화하는 모델 파라미터를 스트리밍한 것은 아니었다.

이 한계는 실험과 헤드라인 속 응용 사이의 거리를 규정한다. 유용한 송신기는 공간 패턴을 매초 수백만 번 바꿔야 한다. 연구진은 기가비트급 초당 전송 속도에 도달하기 위한 시스템을 광학 연구 그룹과 함께 개발하고 있다.

광학 수신기 보고서는 이 격차를 신중하게 다룬다. 이는 배포 준비가 된 하드웨어가 아니라 궁극적으로 AI 모델을 업데이트할 수 있는 설계를 설명한다. 측정된 수신기는 실제이지만, 엔드투엔드 로봇 링크는 아직 미래의 작업이다.

그럼에도 이 테스트는 세 가지 유용한 사실을 입증한다. 빛은 거의 1미터 거리에서 무선으로 칩에 도달했다. 수신기는 그 패턴을 저장된 디지털 상태로 변환했다. 또한 광학 링크의 에너지 이점을 흔히 줄이는 표준 아날로그 프런트엔드 없이 이를 수행했다.

이 사실들은 핵심적인 긴장을 만든다. 수신기는 데이터 경로에서 회로를 제거하지만, 그 단순화는 참여하는 모든 메모리 셀을 더 크고 감광성으로 만들어 달성한다. 그 결과의 시스템이 전체적으로 에너지를 절약하는지는 이 절충이 규모 확장 시 무엇을 제공하는지에 달려 있다.

진짜 목표는 AI의 데이터 이동 비용이다

Cornell의 설계는 빛을 더 빠르게 만드는 것보다 모델 가중치가 프로세서로 이동할 때 반복 변환을 피하는 데 더 초점을 둔다.

AI 가속기는 많은 산술 연산을 병렬로 수행하지만, 연산은 워크로드의 한 부분일 뿐이다. 또한 모델 파라미터와 중간값을 꾸준히 공급받아야 한다. 이러한 값이 프로세서 밖에 있을 때는 모든 전송에 시간과 에너지가 든다.

이 문제는 흔히 메모리 월이라고 불린다. 프로세서 처리량은 외부 메모리에서 데이터를 공급하는 능력보다 더 빠르게 증가해 왔다. 산술 유닛을 추가해도 해당 유닛이 다음 파라미터 블록을 기다린다면 가치는 제한적이다.

대규모 모델은 이 불균형을 더 무시하기 어렵게 만든다. 프로세서는 일반적으로 모든 파라미터를 로컬 SRAM에 담을 수 없다. 따라서 설계자들은 대부분의 파라미터를 더 조밀한 오프칩 메모리에 저장하고, 필요할 때 선택된 블록을 더 빠른 메모리로 옮긴다.

금속 연결은 여전히 이러한 전송의 표준 경로다. 잘 이해되어 있고, 제조 가능하며, 기존 시스템과 호환된다. 하지만 설계자들이 대역폭을 늘리거나 링크를 연장할수록 손실과 에너지 요구량도 증가한다.

광학 인터커넥트는 또 다른 경로를 제공한다. 빛은 병렬 공간 채널, 파장 또는 광섬유를 통해 여러 스트림을 전달할 수 있다. 또한 금속 배선과 관련된 전기적 손실 없이 더 먼 거리를 넘을 수 있다.

전통적으로 수신기는 이 논리를 약화시켰다. 빛은 여전히 목적지에서 사용할 수 있는 디지털 정보가 되어야 한다. 트랜스임피던스 증폭기는 포토다이오드의 전류를 전압으로 변환하고, 추가 회로가 데이터를 증폭, 샘플링, 복구한다.

Cornell의 수신기는 이 종단 작업의 상당 부분을 없애려 한다. 각 광감응 SRAM 셀은 검출기이자 저장 위치로 작동한다. 이 설계는 정보를 단순히 광학적으로 전달하는 데 그치지 않는다. 변환과 기록이 일어나는 위치를 바꾼다.

이 차이는 이 프로젝트를 빛으로 신경망 연산을 수행하는 시스템과 구분한다. 광학 컴퓨팅 연구는 흔히 광자 구조를 사용해 행렬 연산을 실행한다. 반면 Cornell은 디지털 파라미터를 전자 메모리로 이동하는 과정에 초점을 맞춘다.

이 차이는 채택에 중요하다. 전체 전자 프로세서를 교체하려면 광범위한 소프트웨어, 제조, 정확도 문제가 생긴다. 하나의 데이터 링크를 교체하는 것은 더 좁은 통합 과제를 제시하지만, 여전히 어렵다.

2020년 광학 메모리 조사는 실용적인 광학 메모리의 주요 지표로 에너지, 속도, 물리적 설치 면적을 꼽았다. 또한 확장을 지속적인 장애물로 설명했다. Cornell의 프로토타입은 이러한 더 넓은 노력 안에서 등장했지만, 저장 상태는 전자적으로 유지한다.

이 하이브리드 구조에는 실용적인 논리가 있다. 전자 SRAM은 이미 프로세서 가까이에서 빠른 랜덤 액세스를 제공한다. 연구진은 광자가 광자로 저장되도록 요구하는 대신, 선택된 셀에 광학 프로그래밍 기능을 추가한다.

로봇의 경우 제안된 이점은 모델 배포와 관련된다. 창고에는 동일한 인식 또는 내비게이션 모델을 사용하는 많은 기계가 운영될 수 있다. 전기 커넥터나 무선 링크를 통해 모든 장치를 업데이트하면 인프라, 에너지, 유지보수 시간이 소모된다.

천장형 광학 송신기는 시야 안의 기계에 새 파라미터 블록을 보낼 수 있다. 각 로봇은 이 블록을 로컬 메모리에 직접 수신할 수 있다. 이 개념은 시각적 브로드캐스트와 유사하지만, 페이로드는 실행 가능한 모델 데이터가 된다.

마이크로로봇은 두 번째 가능한 사용 사례다. 이들의 물리적 크기는 메모리 용량과 배터리 부피를 제한한다. 광 기반 링크는 유선 커넥터를 추가하지 않고 새 파라미터를 전달할 수 있지만, 수신기의 현재 셀 크기는 동일한 공간 제약과 충돌한다.

데이터 센터는 다른 규모를 제시한다. 가속기는 이미 복잡한 메모리 계층과 고대역폭 링크에 의존한다. 수신기 오버헤드를 제거하는 광학 경로는 통신 에너지를 줄일 수 있지만, 조밀한 패키지 및 기존 스케줄링 시스템과 통합될 때만 가능하다.

따라서 경쟁 압력은 특정 칩 회사가 아니라 기존 전기식 메모리 링크에 가해진다. 이 링크들은 수십 년간의 최적화가 축적돼 있다. 또한 확립된 패키징, 테스트, 오류 정정, 공급망의 이점을 누린다.

광학 대안은 움직이는 목표를 뛰어넘어야 한다. 전기 인터페이스는 신호 방식, 패키징, 전력 관리 측면에서 계속 개선되고 있다. 고대역폭 메모리는 DRAM을 가속기에 물리적으로 더 가깝게 배치해 데이터가 이동해야 하는 거리를 줄인다.

Cornell의 접근법은 다른 제안을 내놓는다. 전기 경로를 다듬는 대신 수신 동작 자체를 바꾼다. 빛은 검출기에서 멈춰 기존 전자장치가 전달을 마칠 때까지 기다리지 않는다.

이 때문에 에너지 수치는 주목할 가치가 있지만, 고립해서 볼 수는 없다. 수신기의 비트당 피코줄 수치는 송신기, 광원, 정렬 하드웨어, 보정, 냉각, 모델 업데이트 소프트웨어를 포착하지 못한다. 하나의 칩 측정치보다 시스템 결과가 더 중요하다.

아날로그 프런트엔드 없이 빛이 메모리를 전환하는 방식

이 설계는 전체 AI 프로세서를 광자 컴퓨터로 바꾸는 것이 아니라, 메모리 셀이 빛에 직접 반응하도록 만들어 효율을 얻는다.

SRAM 셀은 두 개의 안정 상태가 0과 1을 나타내는 작은 회로를 사용해 1비트를 저장한다. DRAM과 달리 전원이 공급되는 동안 그 값을 유지하며, DRAM은 반복적인 리프레시 작업이 필요하다. 기존 SRAM 셀은 빛을 감지할 필요가 없다.

Cornell 설계는 참여하는 각 셀을 포토다이오드로 수정한다. 포토다이오드는 광자가 반도체 구조 내부에서 전하 운반자를 만들 때 전류를 생성한다. 이 광전류는 들어오는 광학 패턴이 부호화한 상태 쪽으로 셀을 밀어준다.

공간 변조는 병렬성을 제공한다. 하나의 광학 채널을 통해 모든 비트를 순차적으로 보내는 대신, 송신기는 조명된 위치와 어두운 위치로 구성된 2차원 필드를 제시한다. 각 위치는 해당하는 수신기 셀을 겨냥한다.

이 배열은 QR 코드와 같은 외형을 설명한다. 두 시스템 모두 정보를 매트릭스 전반에 인코딩한다. 그러나 Cornell의 수신기는 나중에 처리하기 위해 전체 배열을 촬영하지 않는다. 수신 과정에서 매트릭스가 목적지 셀에 직접 기록된다.

이 방식은 페이로드에 대한 디지털-아날로그 해석 단계도 피한다. 특정 위치는 밝거나 어두우며, 이는 이진값에 대응한다. 다만 보정 과정은 그 값이 어느 위치와 시점에 속하는지 계속 식별해야 한다.

전송이 빨라질수록 타이밍 오류는 더 다루기 어려워진다. 빛은 길이나 세기가 미세하게 다른 경로를 통해 서로 다른 셀에 도달할 수 있다. 제조 편차 역시 개별 포토다이오드와 트랜지스터의 응답 방식을 바꿀 수 있다.

칩 내 스큐 보정은 이 문제의 일부를 해결한다. 수신기는 알려진 기준 정보를 사용해 공간적·시간적 오프셋을 추정한다. 그런 다음 수신 데이터를 의도된 셀 위치에 맞춘다.

이는 선택적 실험실 마감 작업이 아니라 로봇에 필수적인 요소다. 기계는 이동하고 진동하며 먼지를 쌓고, 조명 조건 변화도 겪는다. 세심하게 정렬된 적색광 아래에서만 작동하는 고정 수신기는 운용 가치가 제한적일 것이다.

따라서 프로토타입의 약 1미터 도달 거리는 주목할 만하지만 불완전하다. 연구진은 물리적 케이블 없이도 자유공간 광이 배열에 도달할 수 있음을 보였다. 하지만 움직임, 차폐 또는 산업용 조명 환경에서 지속적으로 작동한다는 점은 입증하지 않았다.

상용 설계에는 다른 송신기도 필요하다. 금속 마스크는 수신기가 하나의 공간 코드를 구별할 수 있음을 증명한다. 그러나 모델의 파라미터 블록을 스트리밍하는 데 필요한 변화하는 프레임을 만들 수는 없다.

차세대 송신기는 빠르게 전환되는 마이크로디스플레이, 변조기 배열 또는 다른 광학 구조를 사용할 수 있다. 어떤 선택이든 그 에너지 소비는 최종 효율 계산에 포함돼야 한다. 빠른 변화는 동기화와 오류 처리에 대한 요구도 높인다.

보고된 목표는 초당 수백만 회의 이미지 변화와 초당 기가비트급 데이터 전송이다. 이 수준에 도달하면 정적 메모리 기록 실험은 통신 링크로 전환된다. 이를 안정적으로 유지할 수 있어야 전기적 대안과의 비교도 의미를 갖는다.

모델 업데이트는 또 다른 기술적 문제를 제기한다. AI 파라미터는 순서 없는 비트맵으로는 유용하지 않다. 컨트롤러는 이를 프레임으로 나누고, 목적지를 식별하며, 무결성을 검증하고, 부분 전송이 활성 모델을 손상시키지 않도록 해야 한다.

따라서 수신기에는 주변 디지털 로직이 필요하다. 이 로직은 업데이트를 버퍼링하고 오류를 검사하며 모델 버전 간 전환을 수행할 수 있다. 이러한 작업이 광학적 이점을 없애지는 않지만, 수신기 측정치를 완전한 시스템 결과로 간주하는 가치는 낮춘다.

빛이 실행 가능한 파라미터를 전달하기 시작하면 보안도 설계에 포함된다. 가시적인 광 링크는 명확한 물리적 경로를 노출하므로 운영자가 승인된 업데이트 구역을 정의하는 데 도움이 될 수 있다. 그러나 빛을 주입하거나 변경할 수 있는 공격자는 로봇 모델을 손상시키려 할 수 있다.

인증과 무결성 검사는 여전히 필요하다. 시스템은 누가 업데이트를 보냈는지, 모든 파라미터가 변경 없이 도착했는지 검증해야 한다. 광학 전송은 암호학적 제어를 대체하지 않는다.

안전성도 마찬가지다. 이동형 로봇은 중요한 기동 도중 인식 모델을 바꿔서는 안 된다. 배포 소프트웨어에는 새 파라미터가 활성 메모리에 들어갈 수 있는 시점을 규정하는 규칙이 필요하다.

이러한 주변 요건은 하드웨어가 해결하는 것과 해결하지 못하는 것을 보여준다. 하드웨어는 빛에서 저장된 비트로 이어지는 저에너지 경로를 제공한다. 그러나 플릿 운영자에게 필요한 완전한 모델 관리 계층을 제공하지는 않는다.

최근 광자 시스템 분석은 칩 패키지부터 데이터센터 링크까지 여러 거리 범위에 걸친 광학 하드웨어를 다룬다. Cornell의 자유공간 수신기는 이 지도에서 특이한 지점을 탐색한다. 단거리 무선 광학과 프로세서 로컬 메모리를 결합한다.

이러한 위치는 통제된 환경에 적합할 수 있다. 창고는 천장형 송신기를 설치하고 업데이트 구역을 표시할 수 있다. 공장은 정렬된 송신기 아래에서 기계의 작업 일정을 잡을 수 있다. 데이터센터 패키지는 이동 정렬 없이 고정된 광학 기하를 활용할 수 있다.

소비자용 로봇은 더 어려운 시험대를 만든다. 가정에는 장애물, 다양한 조명, 움직이는 사람, 일관되지 않은 배치가 존재한다. 업데이트가 시작되는 바로 그때 수신기가 가시선을 잃을 수 있다.

따라서 이 메커니즘은 물리적 조건이 관리되는 곳에서 가장 설득력이 있다. 시장이 형성된다면 첫 실현 가능한 시장은 제약 없는 가정보다 공장 셀에 더 가까울 가능성이 높다.

더 큰 셀은 에너지 이점을 없앨 수 있다

수신기의 가장 큰 위험은 물리적 밀도다. 각 포토다이오드가 기존 SRAM이 저장에 사용하는 공간을 차지하기 때문이다.

IEEE Fellow이자 University of Michigan 공학 교수인 Dennis Sylvester는 문제 선택을 높이 평가하며 이 접근법이 영리하다고 말했다. 동시에 그는 핵심 약점도 지적했다. 감광 셀은 일반 SRAM 셀보다 크다는 점이다.

더 큰 셀은 칩에 들어갈 수 있는 메모리 양을 줄인다. 프로세서는 기존 용량을 유지하기 위해 더 큰 다이가 필요할 수 있으며, 이는 비용을 높이고 에너지 사용량도 늘릴 수 있다. 또는 설계자는 더 적은 로컬 메모리를 감수하고 더 많은 외부 전송을 수행할 수 있다.

어느 결과든 수신기의 효율을 상쇄할 수 있다. 로컬 용량이 줄어 시스템이 더 많은 비트를 이동해야 한다면 수신 비트당 에너지를 절약하는 중요성은 낮아진다. 올바른 비교에는 면적, 용량, 워크로드 동작이 포함돼야 한다.

Seo는 트랜지스터와 회로 최적화로 셀을 줄일 수 있다고 말한다. 미래 제조 공정도 일부 회로 치수를 줄이는 상보형 금속 산화물 반도체 스케일링을 통해 도움을 줄 수 있다. 어느 경로도 표준 SRAM과의 동등성을 보장하지는 않는다.

포토다이오드는 일반 트랜지스터와 공유하지 않는 물리적 요구사항을 부과한다. 유용한 전류를 수집할 만큼 충분한 감광 면적이 필요하다. 이 면적을 줄이면 감도가 낮아지거나 더 강한 조명이 필요해질 수 있다.

이는 밀도, 광학 출력, 신뢰성 사이의 세 가지 트레이드오프를 만든다. 더 작은 검출기는 더 많은 메모리 용량을 보존한다. 더 큰 검출기는 더 많은 빛을 수집하고 약한 정렬도 더 잘 견딘다. 더 밝은 송신기는 더 많은 에너지를 소비한다.

0.7피코줄 측정치는 시험 조건에서의 수신기 배열을 다룬다. 이는 시스템 수준의 이 트레이드오프를 해결하지 않는다. 독립적인 측정에는 광원과 패턴을 변화시키는 하드웨어도 포함돼야 한다.

프로토타입에는 의도된 용도에 필요한 동적 송신기도 없다. 정적 마스크는 프레임 간 전환 없이 깨끗한 광학 패턴을 제시한다. 고속 변조는 스위칭 노이즈, 타이밍 마진, 열을 유발한다.

비트 오류 성능도 아직 답하지 못한 문제다. 모델 파라미터 하나가 잘못된 비트 하나로 변경되면 영향은 무시할 만한 수준부터 심각한 수준까지 다양할 수 있다. 운영자는 거리, 각도, 진동, 온도, 주변광 전반에 대한 측정 오류율이 필요하다.

오류 정정은 링크를 더 안전하게 만들 수 있지만, 중복 비트와 연산을 추가한다. 재전송은 추가 에너지를 소비한다. 시스템은 이러한 보호 장치를 포함한 뒤에도 전기적 전송보다 뛰어나야 한다.

가시선은 별도의 운용 제약을 제시한다. 로봇은 수신기를 송신기 반대 방향으로 돌릴 수 있다. 장비, 사람 또는 재고가 빔을 차단할 수 있다. 반사 경로는 공간 패턴을 왜곡할 수 있다.

보정은 제한적인 기울기와 위치 차이를 수정할 수 있다. 그러나 다른 경로나 송신기 없이는 차단된 링크를 복구할 수 없다. 실용적인 배포에는 여러 송신기, 더 넓은 시야 또는 예정된 도킹 위치가 필요할 수 있다.

이러한 추가 요소는 사업성을 바꾼다. 무선 광학 수신기는 물리적 커넥터와 비교하면 인프라 부담이 적어 보인다. 하지만 다수의 송신기, 정렬 시스템, 보호된 업데이트 구역은 설치를 더 복잡하게 만들 수 있다.

이 기술은 유용한 모델 크기를 지원한다는 점도 입증해야 한다. 14×14비트 프레임은 196비트를 담는다. 현대 AI 모델은 압축이나 양자화로 각 값에 할당되는 비트를 줄인 뒤에도 훨씬 더 많은 파라미터 데이터를 포함한다.

초당 기가비트 링크는 계산을 크게 개선할 것이다. 그러나 모델 배포 시간은 전체 페이로드, 재전송, 서비스 대상 로봇 수에 좌우된다. 연구진은 아직 엔드투엔드 플릿 업데이트를 보고하지 않았다.

따라서 “즉석에서”라는 정의에는 주의가 필요하다. 이는 장비 인클로저를 열거나 케이블을 연결하지 않고 기계를 업데이트한다는 뜻일 수 있다. 아직은 로봇이 작업하는 동안 대규모 활성 모델을 지속적으로 교체한다는 의미로 해석해서는 안 된다.

파라미터 업데이트와 로컬 학습 사이에도 차이가 있다. 광학 수신기는 다른 곳에서 생성된 값을 전송한다. 로봇 모델을 훈련하거나, 새 사례를 평가하거나, 어떤 파라미터가 바뀌어야 하는지 결정하지는 않는다.

이 구분은 프로젝트를 과장된 주장으로부터 보호한다. 이 하드웨어는 자율 학습이 아니라 모델 전송에 관한 것이다. 그 가치는 목표 시스템에서 전송이 의미 있는 에너지 또는 유지보수 병목이 되었는지에 달려 있다.

경쟁 솔루션도 가만히 있지 않을 것이다. 엔지니어는 모델을 압축하고, 자주 쓰는 값을 캐시하며, 전기적 링크를 개선하거나, 프로세서 옆에 더 많은 메모리를 배치할 수 있다. 각 선택지는 다른 방향에서 동일한 데이터 이동 비용을 겨냥한다.

메모리 내 연산은 데이터가 이미 존재하는 위치에서 일부 계산을 수행하는 또 다른 경로를 제공한다. Cornell 연구진과 다른 이들은 이를 위해 아날로그 메모리 하드웨어를 탐색해 왔다. 광학 전송은 이러한 시스템을 보완할 수 있지만, 추가 면적을 정당화해야 한다.

Seo의 AI 하드웨어 연구는 머신러닝 가속기와 하드웨어 인지 알고리즘에 걸쳐 있다. 이러한 배경은 비용이 큰 인터페이스에 대한 프로젝트의 좁은 초점에 부합한다. 또한 수신기 자체보다 워크로드 테스트가 더 중요하다는 점을 강조한다.

회의적인 관점은 빛이 배열에 기록할 수 없다는 데 있지 않다. 프로토타입은 이미 이 기본 주장을 뒷받침한다. 열린 질문은 필요한 모든 구성 요소를 계산한 뒤에도 완전한 광학 업데이트 시스템이 측정된 이점을 유지하는지다.

세 가지 시험이 로봇이 빛으로 AI를 받게 될지 결정할 것이다

동적 송신기, 밀도 개선, 엔드투엔드 로봇 시험이 이 수신기가 회로 결과를 넘어 시스템이 될지를 결정할 것이다.

첫 번째 신호는 광학 매트릭스를 초당 수백만 회 바꾸는 송신기다. 이는 연구진이 확인한 즉각적인 기술적 종속성이다. 이것이 없으면 수신기는 변화하는 모델 파라미터 블록을 스트리밍할 수 없다.

후속 시연은 여러 프레임에 걸친 지속 처리량, 송신기 에너지, 오류를 보고해야 한다. 신뢰할 수 있는 초당 기가비트 링크는 공간 광학 프로그래밍이 실제 AI 페이로드를 지원할 수 있다는 주장을 강화할 것이다. 정적 마스크를 넘어서는 데 실패한다면 로보틱스 서사는 약화될 것이다.

두 번째 신호는 더 작은 수신기 셀이다. 향후 논문은 유사한 조건에서 제조된 기존 SRAM과 감광 셀의 면적을 비교해야 한다. 또한 포토다이오드 축소가 감도와 조명 요구사항에 어떤 영향을 주는지도 보여야 한다.

밀도 진전은 프로젝트의 핵심 트레이드오프를 강화할 것이다. 이는 프로세서가 과도한 로컬 메모리를 포기하지 않고도 광학 프로그래밍 기능을 얻을 수 있음을 의미한다. 개선이 미미하다면 용량 감소가 통신 절감 효과를 상쇄한다는 Sylvester의 우려를 뒷받침할 것이다.

세 번째 신호는 이동 중이거나 실제 운용 중인 기기에서의 엔드투엔드 업데이트다. 이 시험에는 모델 페이로드, 무결성 검사, 변화하는 정렬, 주변광, 측정된 총 에너지 예산이 포함돼야 한다.

창고 환경에서의 실증 시험은 특히 유익할 것이다. 연구진은 광 송신기 아래에 여러 대의 로봇을 배치하고, 인식 업데이트를 배포한 뒤 완료 시간과 전송 실패 횟수를 측정할 수 있다. 그 결과는 현재의 유선 또는 무선 기반 방식과 비교해야 한다.

이러한 시험은 “on the fly”의 의미도 분명히 할 것이다. 유의미한 시연이라면 로봇이 멈추는지, 도킹하는지, 아니면 계속 이동하는지를 밝혀야 한다. 또한 소프트웨어가 기계를 부분적으로 기록된 버전에 노출하지 않으면서 완전한 모델을 어떻게 활성화하는지도 보고해야 한다.

이러한 시험은 하나의 수신기를 넘어서는 의미를 갖는다. AI 하드웨어는 산술 연산보다 정보를 이동하는 데 점점 더 많은 에너지를 쓰고 있다. 데이터 이동을 신뢰성 있게 줄이는 모든 방법은 시스템 설계자에게 더 큰 캐시와 더 고밀도 패키지 외의 선택지를 제공한다.

광학 기술은 이미 통신 네트워크와 데이터 센터에서 데이터를 전송하고 있다. 빛을 프로세서 메모리에 더 가깝게 가져오는 것은 논리적인 다음 단계이지만, 거리가 짧아질수록 더 긴밀한 통합이 필요하다. 칩 수준의 경제성은 낭비되는 면적을 거의 용납하지 않는다.

Cornell의 접근법이 흥미로운 이유는 빛이 모든 전자 기능을 대체하도록 요구하지 않기 때문이다. 빛에는 빠른 로컬 메모리로 디지털 값을 직접 전달하는 하나의 명확한 역할이 주어진다. 전자 회로는 여전히 상태를 저장하고 모델을 실행한다.

이러한 역할 분담은 완전 광자 프로세서보다 시스템 도입을 더 쉽게 만들 수 있다. 동시에 수신기가 표준 칩 설계, 패키징 및 소프트웨어와 공존해야 한다는 뜻이기도 하다. 호환성은 순수한 효율성만큼 중요할 수 있다.

개발자에게 즉각적인 교훈은 천장 장착형 LED를 중심으로 로봇 업데이트 시스템을 재설계하라는 것이 아니다. 이 연구는 아직 연구용 프로토타입에 머물러 있다. 현재 그 가치는 광 수신기 자체가 기록 가능한 메모리가 될 수 있음을 보여준 데 있다.

기업 구매자라면 전체 운영 비용에 관한 질문을 던져야 한다. 시설에는 송신기가 몇 대나 필요한가? 빔이 차단되면 어떻게 되는가? 업데이트가 중단된 뒤 로봇 군단은 얼마나 빨리 복구할 수 있는가?

연구진은 다음 칩 성과와 함께 이러한 시스템 측정값도 공개해야 한다. 수신기 에너지 소비만으로는 상업적 가치를 입증할 수 없다. 밀도, 송신기 전력, 오류 정정, 배포 인프라는 같은 계산에 포함되어야 한다.

IEEE Spectrum은 신뢰할 만한 메커니즘과 그에 못지않게 신뢰할 만한 제약을 제시했다. 이 메커니즘은 빛이 SRAM을 직접 변화시키게 함으로써 아날로그 수신 단계를 제거한다. 제약은 감광성 메모리가 귀중한 칩 면적을 차지하고, 여전히 고속 송신기가 부족하다는 점이다.

다음 이정표는 이 두 측면을 하나의 실험으로 연결해야 한다. 변화하는 광학 어레이, 더 작은 셀, 그리고 작동 중인 로봇이 검증된 모델을 수신하는 모습을 지켜볼 만하다. Cornell이 이 세 가지를 모두 보고한다면 광학 모델 전달은 연구실 밖에서도 검토할 가치가 생길 것이다. 그렇지 않다면 이 프로토타입은 총 시스템 비용이 여전히 해결되지 않은 영리한 답변으로 남을 것이다.