INSPIRE 광자 훈련, AI 학습을 칩 내부로 옮기다

INSPIRE 광자 훈련은 제조된 칩을 완벽하게 표현할 수 없는 디지털 시뮬레이션에 오랫동안 의존해 온 상황에서, 그래디언트 측정을 광학 하드웨어로 옮겼다. 연구진은 2026년 10월 5일 Nature Computational Science에 이 방법을 보고했다. 나흘 뒤 Nature의 연구 브리핑은 이 결과를 훈련 가능한 AI 하드웨어를 향한 한 걸음으로 평가했다.

이 실험이 중요한 이유는 광자 프로세서가 이미 빛을 이용해 특정 행렬 연산을 수행하고 있기 때문이다. 그러나 이들 프로세서를 훈련하는 일은 별개의 과제로 남아 있었다. 연구팀은 대개 디지털 복제본을 최적화한 뒤, 불완전성이 연산을 바꿀 수 있는 하드웨어에 그 설정을 옮긴다.

INSPIRE는 이 불일치를 정면으로 다룬다. 이 방법은 물리 회로를 통해 그래디언트를 측정하고, 그 측정값을 사용해 조정 가능한 파라미터를 업데이트한다. 실제 경쟁 상대는 특정 기업이나 칩이 아니다. 하드웨어를 수학적 모델의 예측 가능한 복사본으로 간주하는 시뮬레이션 우선 훈련 방식이다.

INSPIRE 광자 훈련이 바꾼 점

핵심 변화는 회로 자체가 어떻게 조정되어야 하는지를 계산하는 과정에 참여한다는 것이다.

Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang, Lu Fang이 이 방법을 개발했다. 칭화대학교는 전자공학과와 베이징 국가 정보과학기술 연구센터를 논문의 주도 기관으로 밝혔다.

연구진은 이 프레임워크를 in situ physical gradient descent의 약자인 INSPIRE라고 부른다. In situ는 훈련이 소프트웨어 표현 내부에서만 이뤄지는 것이 아니라 물리 장치에서 얻은 측정을 통해 수행된다는 의미다.

그래디언트 하강법은 이 연구의 중심에 있는 최적화 과정이다. 그래디언트는 파라미터를 바꿀 때 모델이 내는 오류가 어떻게 달라지는지를 설명한다. 훈련은 이 방향을 반복적으로 측정하거나 추정한 뒤, 오류를 줄이도록 파라미터를 조정한다.

일반적인 신경망 소프트웨어는 디지털 프로세서에서 실행되는 수학 연산으로 이런 그래디언트를 얻는다. 광학 회로는 다른 과제를 제시한다. 빛은 도파관, 위상 제어 장치, 산란 구조 및 기타 광학 부품을 통과하면서 간섭한다.

시뮬레이터는 이러한 상호작용을 추정할 수 있다. 그러나 그 추정은 관련된 모든 부품과 연결을 정확히 모델링하는 데 달려 있다. 제조 공차, 열 드리프트, 잡음, 환경 변화는 제조된 회로가 다르게 동작하게 할 수 있다.

대신 INSPIRE는 온칩 synthetic time-reversal holography를 사용한다. 이 기법은 회로를 통과하는 빛과 반대 방향으로 이동하는 빛에 연관된 복소 광장을 측정한다. 이 광장에는 진폭과 위상 정보가 모두 담겨 있다.

연구진은 측정된 광장을 이용해 회로의 조정 가능한 파라미터에 대한 그래디언트를 계산한다. 그 결과는 제조된 하드웨어의 동작에 기반한 최적화 신호다. 이 하드웨어의 완전한 디지털 모델을 필요로 하지 않는다.

동료 심사를 거친 INSPIRE 연구에 따르면, 이 프레임워크는 topology-agnostic하다. 이는 훈련 방법이 특정 광학 부품 배열 하나에만 제한되지 않는다는 뜻이다.

이 차이는 이 결과를 좁게 최적화된 광자 신경망 시연과 구분한다. 연구진은 이 방법을 행렬 설계, 산란 매질을 통한 광대역 연산, 메타러닝 아키텍처에 적용했다. 이 시험들은 하나의 고정된 추론 과제가 아니라 서로 다른 형태의 프로그래밍 가능성을 검증한다.

보고된 행렬 훈련 실험은 0.26%의 상대 오차에 도달했다. 이는 연구진이 요구한 행렬 변환과 훈련된 광학 시스템이 생성한 변환 사이의 차이를 측정한 값이다.

논문은 또한 여러 파장에 걸친 연산을 보고한다. 파장 채널은 동일한 물리 시스템을 통해 별도의 정보 흐름을 전달할 수 있다. 이 역량은 광자 기술이 병렬 연산용으로 주목받는 이유 중 하나다.

무엇보다 이 방법은 제작 이후 실제 회로를 훈련한다. 이상적 설계에서 벗어난 칩의 편차는 최적화 환경의 일부가 된다. 최적화기는 엔지니어가 만들고자 했던 장치만이 아니라 실제로 존재하는 장치에 반응한다.

따라서 Nature 연구 브리핑은 이 연구를 오프라인 회로 설계에서 물리적 훈련으로의 전환으로 제시한다. 이 해석은 정확하지만, 중요한 단서가 필요하다. 이 연구는 방법과 실험적 시연을 확립한 것이지, 전자식 AI 가속기를 생산 규모에서 대체하는 기술을 입증한 것은 아니다.

시뮬레이션 우선 훈련이 압박받는 이유

광학 회로가 더 복잡해질수록 정확한 디지털 트윈을 유지하는 비용은 연산 문제의 일부가 된다.

시뮬레이션 우선 워크플로는 최적화와 물리적 실행을 분리한다. 엔지니어는 광학 회로의 모델을 만들고, 소프트웨어에서 설정값을 계산한 뒤, 그 설정을 제조된 장치에 적용한다. 이후 보정으로 일부 차이를 상쇄할 수 있다.

이 접근법은 모델이 물리 시스템을 충분히 정확하게 포착할 때 작동한다. 설계에 상호작용하는 광학 경로가 많이 포함되면 더 어려워진다. 작은 위상 오차가 누적될 수 있고, 온도 변화는 부품의 동작을 바꿀 수 있다.

이 불일치가 중요한 이유는 코히런트 광자 시스템이 간섭을 통해 정보를 인코딩하기 때문이다. 코히런스는 광파 사이의 관계를 보존해 진폭과 위상이 결합할 수 있게 한다. 따라서 작은 물리적 편차도 더 큰 연산을 바꿀 수 있다.

오프라인 훈련은 유지보수 부담도 만든다. 엔지니어는 하드웨어를 특성화하고, 모델을 업데이트하며, 디지털 최적화를 실행하고, 파라미터를 전송한 뒤 결과를 시험해야 한다. 이후의 드리프트는 또 다른 보정 또는 재훈련을 요구할 수 있다.

INSPIRE 광자 훈련은 이 관계를 바꾼다. 물리적 측정이 장치를 업데이트하는 데 필요한 그래디언트를 공급한다. 부품이 공칭 사양과 다르게 동작하면 측정된 그래디언트가 그 차이를 반영한다.

이것이 소프트웨어를 없애는 것은 아니다. 훈련 루프에는 여전히 목표, 제어 로직, 파라미터 업데이트, 광학 및 전자 시스템 간 인터페이스가 필요하다. 논문의 기여는 더 좁지만 더 중요하다. 그래디언트가 더 이상 회로의 완전한 미분 가능 복제본에 의존하지 않는다.

이는 오프라인 시뮬레이션을 중심으로 구축된 역설계 방법에 압력을 가한다. 역설계는 원하는 광학 기능에서 출발해 이를 생성하는 물리 구조를 찾는다. 이는 소형 장치를 가능하게 했지만, 설계 규모와 복잡성이 커질수록 고충실도 시뮬레이션은 비용이 많이 들 수 있다.

물리적 훈련은 또 다른 경로를 제공한다. 엔지니어는 구성 가능한 시스템을 제작하고, 실제 상태가 목표에 미치는 영향을 측정한 뒤, 제조 후 이를 조정할 수 있다. 하드웨어는 연산 매체이자 최적화 과정의 일부가 된다.

연구진은 이 아이디어를 산란 매질에도 확장했다. 산란 구조는 개별적으로 모델링하기 어려운 많은 물리 경로를 통해 광학 신호를 섞는다. 이러한 무질서는 보통 정밀 연산의 장애물처럼 보인다.

INSPIRE는 이 복잡성을 활용 가능한 변환으로 다룬다. 논문은 고유한 조정 가능 요소 수보다 큰 목표 행렬을 훈련했다고 보고한다. 사실상 이 방법은 명백한 제어 장치의 이상화된 수로 연산을 제한하는 대신, 더 넓은 물리 시스템을 활용한다.

이 결과가 회로가 무제한의 훈련 가능한 파라미터를 얻는다는 뜻은 아니다. 달성 가능한 변환은 여전히 제어 가능성, 측정 품질, 잡음, 시스템을 통해 접근 가능한 자유도에 좌우된다. 그러나 이는 물리적 훈련 루프가 단순화된 설계 모델이 놓칠 수 있는 동작을 어떻게 활용할 수 있는지 보여준다.

이 압력은 즉각적이기보다 장기적이다. 시뮬레이션은 장치 설계, 검증, 제조에 계속 필수적일 것이다. 더 신뢰할 수 있는 변화는 시뮬레이션만의 최적화에서 사전 모델과 배치된 하드웨어의 측정을 결합하는 하이브리드 워크플로로의 전환이다.

이 구분은 AI 하드웨어 구매자에게 중요하다. 훈련 가능한 광자 회로는 제작 후 적응하고, 장치 편차를 흡수하거나, 특정 워크로드에 맞춰 특화될 수 있다. 그러나 이러한 이점은 전체 시스템이 실험실 밖에서도 안정적이고 효율적으로 유지될 때에만 의미가 있다.

INSPIRE가 물리적 그래디언트를 측정하는 방법

INSPIRE는 모든 내부 상호작용을 소프트웨어에서 재구성하는 대신 광학 상호성을 훈련 신호로 전환한다.

이 방법은 순방향 광장에서 시작한다. 입력광은 회로를 통과하며 현재 파라미터 설정에 따른 출력을 생성한다. 시스템은 이후 이 출력을 원하는 결과와 비교한다.

훈련에는 각 조정 가능 요소가 오류에 어떻게 기여했는지 알아야 한다. 무차별적인 섭동으로 모든 기여를 계산하는 일은 비용이 많이 든다. 각 파라미터를 따로 바꾸고 측정해야 하므로 확장성이 떨어진다.

INSPIRE는 이 과정을 피하기 위해 양방향 광학 모드를 사용한다. 두 번째 광장은 오류 관련 정보를 시스템을 거쳐 역방향으로 전달한다. 순방향 및 역방향 광장 간 상호작용은 국소적 변화가 전체 목표에 어떤 영향을 주는지 드러낸다.

Synthetic time-reversal holography는 이 계산에 필요한 완전한 복소 광장을 포착한다. 복소 광장에는 간섭을 결정하는 진폭과 위상이 포함된다. 강도만 측정하면 이 정보의 일부가 사라진다.

광학 상호성은 두 전파 방향 사이의 물리적 관계를 제공한다. 상호적인 시스템에서는 광원과 관측 방향을 바꾸면 전송 동작이 연결된다. INSPIRE는 이 관계를 사용해 측정값에서 그래디언트를 구성한다.

그런 다음 파라미터 제어기는 조정 가능한 광학 요소를 조정할 수 있다. 이 순서를 반복하면 원하는 변환과 측정된 변환 사이의 차이가 줄어든다. 장치가 자체 업데이트를 이끄는 정보를 공급하기 때문에 이것은 물리적 그래디언트 하강법이다.

이전 연구는 이 경로의 중요한 요소들을 확립했다. 2018년 Optica 논문은 in situ backpropagation과 그래디언트 측정을 통한 광자 신경망 훈련을 제안했다. 이후 2023년 Science 실험은 집적 광자 신경망에서 in situ backpropagation을 시연했다.

다른 접근법은 역방향 전파에 대한 의존도를 낮췄다. 2024년 Nature 연구는 forward-mode training을 도입해, 물리 시스템에서 광자 신경망을 훈련하는 데 순방향 패스만 사용했다. 이 설계는 하드웨어를 통해 오류 신호를 역방향으로 보내는 것과 관련된 실용적 어려움을 해결했다.

2026년 3월 연구진은 하나의 광자 칩에 선형 및 비선형 연산을 통합한 on-chip backpropagation 시스템을 보고했다. 이 시스템은 두 가지 비선형 분류 과제에서 90%를 넘는 정확도를 달성했고, 기준 디지털 모델과 동등한 견고성을 보였다.

INSPIRE는 이러한 발전의 흐름에 속하지만, 핵심 주장은 일반성에 관한 것이다. 저자들은 이 그래디언트 방법이 다양한 회로 토폴로지에서 작동할 수 있다고 말한다. 이는 하나의 계층형 네트워크 설계만을 위한 훈련 절차로 제시되지 않는다.

그러한 토폴로지 독립성은 행렬 및 산란 실험을 뒷받침한다. 또한 연구팀의 메타포토닉 시연을 가능하게 한다. 메타러닝은 모든 과제를 처음부터 학습하는 대신, 새로운 과제에 빠르게 적응할 수 있도록 시스템을 훈련하는 방식이다.

보고된 메타러닝 결과는 단발 적응을 지원하기 위해 학습된 광학 구조를 사용했다. 논문은 과제별 훈련에서 251배의 모델 압축과 136배의 가속을 보고한다.

이러한 비율은 신중하게 해석해야 한다. 이는 저자들의 실험 프레임워크 내 비교를 나타낸다. 상용 광자 프로세서가 임의의 AI 모델을 GPU보다 136배 빠르게 훈련한다는 직접적인 주장은 아니다.

알고리즘 수준의 가속과 시스템 성능을 구분하는 일은 필수적이다. 실험실 방법은 최적화 단계를 줄일 수 있지만, 레이저, 검출기, 제어 전자장치, 데이터 변환기, 측정 주기에 계속 의존할 수 있다. 각 구성 요소는 에너지, 지연 시간, 엔지니어링 제약을 더한다.

그럼에도 이 메커니즘은 광자 하드웨어가 현실적으로 수행할 수 있는 범위를 바꾼다. 회로를 수동적 실행 대상에서 적응형 물리 시스템으로 전환한다. 이것이 이 연구가 포토닉스 커뮤니티를 넘어 주목받을 가장 강력한 이유다.

광자 훈련과 전자식 AI 하드웨어

중요한 경쟁은 모든 워크로드에서 빛과 실리콘 간의 대결이 아니라, 적응형 광학 연산과 성숙한 전자 시스템 간의 대결이다.

그래픽 프로세서와 기타 디지털 가속기는 프로그래밍 가능한 연산, 고대역폭 메모리, 성숙한 소프트웨어, 예측 가능한 수치 정밀도를 결합하기 때문에 AI 훈련을 지배하고 있다. 이들의 생태계는 거대한 모델과 분산 워크로드를 지원한다.

광자 시스템은 다른 방향에서 문제에 접근한다. 빛은 병렬로 전파되고 간섭할 수 있어, 특정 선형 연산을 빠르게 수행할 수 있다. 신경망의 핵심 연산인 행렬-벡터 곱셈은 여러 광학 아키텍처에 자연스럽게 매핑된다.

이점은 워크로드에 따라 다르다. 광학 부품이 효율적인 메모리, 비선형 활성화, 제어 흐름, 파라미터 저장을 자동으로 제공하지는 않는다. 완전한 신경망은 광학 연산을 이러한 다른 기능과 연결해야 한다.

이로 인해 입출력 문제가 발생한다. 데이터는 광학 신호로 인코딩되어야 하며 이후 검출되어야 한다. 디지털-아날로그 및 아날로그-디지털 변환은 에너지를 소모하고 지연을 초래할 수 있다. 전자식 제어 시스템은 조정 가능한 광자 부품도 구성한다.

2026년 9월 스케일링 리뷰는 세 가지 주요 광자 신경망 아키텍처를 제시했다. 여기에는 Mach-Zehnder 간섭계 네트워크, 회절 광학 네트워크, 파장 분할 다중화 네트워크가 포함된다.

같은 리뷰는 아날로그 정밀도 한계, 누적 오류, 감소하는 신호 대 잡음비, 변환 비효율성도 지적했다. 이러한 과제는 연구자들이 채널, 계층 또는 물리적 차원을 추가할수록 더 심각해진다.

INSPIRE는 이 목록의 중요한 한 부분을 다룬다. 실제 회로에서 측정한 값을 이용한 훈련은 제조 오차와 불완전한 부품 동작을 보정할 수 있다. 그러나 노이즈를 제거하거나 시스템 규모가 커져도 정밀도가 안정적으로 유지된다고 보장하지는 않는다.

이 방법은 입력이 이미 광학 신호로 존재하는 분야에서 특히 유용할 수 있다. 통신, 센싱, 이미징, 과학 장비는 빛을 직접 생성할 수 있다. 처리의 일부를 광학 영역에 유지하면 불필요한 변환을 줄일 수 있다.

센서는 배치 후에도 적응이 필요할 수 있다. 변화하는 환경, 부품 노화, 과제 변화는 제조 전에 계산한 설정의 성능을 약화시킬 수 있다. 현장 학습은 하드웨어가 측정된 조건에 맞춰 스스로 재조정할 경로를 제공한다.

범용 대규모 언어 모델 훈련은 훨씬 더 어려운 목표다. 이러한 시스템에는 대규모 파라미터 저장소, 반복적인 비선형 연산, 높은 수치 신뢰성, 가속기 간 광범위한 통신이 필요하다. 새 연구는 그러한 워크로드를 입증하지 않는다.

대신 Nature 논문은 적응형 지능형 광자 시스템을 위한 구성 요소를 제시한다. 행렬 설계는 정밀한 제어 가능성을 보여준다. 다파장 처리는 병렬 스펙트럼 채널을 시험한다. 메타러닝은 빠른 과제 적응을 시험한다.

이러한 시연은 많은 광학 가속기에 없는 역량을 검토한다는 점에서 가치가 있다. 고정형 프로세서는 빠를 수 있지만 취약할 수 있다. 훈련 가능한 프로세서는 실제 하드웨어 상태와 변화하는 과제에 대응할 수 있다.

따라서 상업적 압력은 모든 GPU보다 먼저 특수 목적 가속기에 집중될 것이다. 광학 행렬 엔진을 개발하는 광자 스타트업과 연구 그룹은 이제 비싼 디지털 트윈 없이도 하드웨어가 스스로 훈련하거나 보정할 수 있는지 설명해야 한다.

전자 시스템도 이 연구의 혜택을 얻는다. 하이브리드 가속기는 고밀도 광학 연산을 광자 부품에 맡기고, 전자 장치는 메모리와 제어를 처리할 수 있다. 더 나은 물리적 훈련은 이러한 분업을 더욱 실용적으로 만들 수 있다.

따라서 경쟁은 시스템 설계 간에 벌어질 가능성이 높다. 한 경로는 연산 대부분을 디지털로 유지하면서 광학 통신을 추가한다. 다른 경로는 선택된 수학 연산에 포토닉스를 사용한다. 세 번째 경로는 물리적 학습과 적응을 통해 더 깊은 광학 실행을 시도한다.

INSPIRE는 경쟁의 승패를 가르지 않은 채 세 번째 경로를 강화한다. 그 기여는 제조된 장치의 물리를 따르는 훈련 메커니즘이다. 시장 관련성은 엔지니어들이 이 메커니즘을 신뢰할 수 있고 프로그래밍 가능한 시스템에 통합할 수 있는지에 달려 있다.

결과는 규모나 효율성을 확정하지 않는다

훈련 가능한 광자 회로가 경제적인 대규모 AI 훈련 플랫폼의 증거는 아직 아니다.

논문의 0.26% 상대 행렬 오차는 정밀한 결과다. 그러나 실험 환경에서의 행렬 정확도가 다수의 계층과 긴 훈련 실행에 걸쳐 작동하는 심층 네트워크의 정밀도를 입증하지는 않는다.

아날로그 오류는 누적될 수 있다. 광학 손실은 신호 세기를 낮추고, 검출기 노이즈와 위상 불안정성은 측정에 영향을 미친다. 열적 상호작용은 하나의 조정된 요소가 인근 부품에 영향을 미치게 할 수 있다.

그래디언트 품질은 특히 중요하다. 훈련은 그래디언트가 더 낮은 오류 방향을 신뢰성 있게 가리키는 데 의존한다. 측정 노이즈는 그 방향을 왜곡해 수렴을 늦추거나 최적화를 불안정하게 만들 수 있다.

합성 시간반전 홀로그래피는 계측 장비도 추가한다. 엔지니어는 필요한 광장을 생성하고, 라우팅하고, 측정해야 한다. 확장 가능한 구현은 과도한 제어 오버헤드를 만들지 않으면서 이 과정의 정확성을 유지해야 한다.

논문의 토폴로지 비종속적 주장은 유망하지만, 호환성이 곧 손쉬운 통합을 뜻하지는 않는다. 서로 다른 회로 재료, 조정 메커니즘, 파장, 레이아웃은 각기 다른 엔지니어링 제약을 제시한다. 일반적인 수학적 방법도 플랫폼별 하드웨어를 요구할 수 있다.

에너지 주장에도 비슷한 주의가 필요하다. 광자 연산은 흔히 저에너지 행렬 연산과 연관된다. 하지만 관련 측정값은 레이저, 변조기, 검출기, 변환기, 열 제어, 전자식 업데이트를 포함한 전체 시스템 에너지다.

INSPIRE 초록은 현재 GPU 또는 AI 가속기와의 엔드투엔드 에너지 비교를 보고하지 않는다. 따라서 이 방법이 시스템 수준에서 더 에너지 효율적이라고 설명하는 것은 부정확하다.

보고된 251배 압축에도 맥락이 필요하다. 이는 실험에 사용된 메타포토닉 아키텍처를 가리킨다. 해당 설계 내 압축은 실제 서비스 모델의 총 메모리 풋프린트를 같은 비율로 줄이는 것과 동등하지 않다.

마찬가지로 136배의 과제별 훈련 가속은 연구자들이 선택한 기준선, 과제, 하드웨어, 측정 경계에 따라 달라진다. 이 비율은 메타러닝 시연을 뒷받침하지만, AI 훈련 워크로드 전반으로 일반화할 수는 없다.

제조 가능성도 또 다른 미해결 문제다. 광자 칩은 물리적 훈련이 보정하는 데 도움이 되는 공정 변동을 물려받을 수 있다. 그러나 상용 제품은 다수의 장치에서 허용 가능한 수율, 패키징, 수명, 보정도 제공해야 한다.

이 접근법은 재현성을 입증해야 한다. 독립 연구팀은 다른 광자 플랫폼에서 물리적 그래디언트 측정을 재현해야 한다. 서로 다른 제조 공정에서의 결과는 저자들의 일반성 주장을 강화할 것이다.

규모는 가장 큰 불확실성이다. 2026년 리뷰는 광자 신경망이 여전히 수십억 개 파라미터를 가진 모델을 지원하는 데 어려움을 겪고 있다고 결론지었다. INSPIRE는 물리적 회로의 학습 방식을 개선하지만, 그 자체로 수십억 개의 안정적인 조정 가능 요소를 제공하지는 않는다.

메모리는 관련된 장벽을 제시한다. 신경망은 저장된 파라미터와 중간 상태를 필요로 한다. 광자 회로는 종종 전자 메모리 또는 지속적으로 유지되는 아날로그 제어에 의존하며, 이는 광학 연산의 이점을 줄일 수 있다.

소프트웨어 도구도 중요하다. 개발자들은 성숙한 프레임워크, 컴파일러, 프로파일러, 라이브러리를 통해 디지털 가속기를 사용한다. 훈련 가능한 광학 플랫폼에는 사용자가 모든 광자 세부 사항을 관리하도록 강요하지 않으면서 물리적 최적화를 드러내는 인터페이스가 필요하다.

이러한 한계가 결과를 지우는 것은 아니다. 이는 다음에 무엇이 일어나야 하는지를 정의한다. 이 연구는 어려운 이론적·하드웨어 문제를 측정 가능한 엔지니어링 프로그램으로 전환한다.

이는 이 칩을 전자식 AI의 대체재라고 부르는 것보다 더 유용한 해석이다. INSPIRE는 모델 불일치를 우회하는 경로를 제공한다. 상업적 가치는 의미 있는 규모에서 그 경로를 구현하는 비용에 달려 있다.

Nature 결과 이후 주목할 점

세 가지 신호가 INSPIRE 광자 훈련이 연구 방법에서 사용 가능한 AI 하드웨어로 나아갈 수 있는지를 보여줄 것이다.

첫 번째 신호는 다른 회로 토폴로지 또는 제조 플랫폼에서의 재현이다. 저자들은 INSPIRE를 토폴로지 비종속적이라고 설명하며, 실험은 여러 광학 과제를 다룬다. 독립적 재현은 광범위한 재설계 없이 이 방법이 이전되는지를 시험할 것이다.

성공적인 재현은 그래디언트 정확도, 수렴, 광학 손실, 측정 오버헤드, 안정성을 보고해야 한다. 또한 시스템의 어느 부분이 재보정을 필요로 하는지도 식별해야 한다. 다른 플랫폼에서 비슷한 성능이 나온다면 일반성 주장이 강화될 것이다.

두 번째 신호는 엔드투엔드 효율성 측정이다. 연구자들은 광원, 필드 측정, 조정, 전자식 제어, 변환, 파라미터 업데이트에 사용되는 에너지와 시간을 계산해야 한다. 광학 연산만으로는 충분한 경계가 아니다.

신뢰할 수 있는 벤치마크는 유사한 정확도에서 동일한 과제를 비교해야 한다. 훈련에 초기화, 보정, 데이터 이동이 포함되는지도 공개해야 한다. INSPIRE가 이러한 조건에서도 이점을 유지한다면, 적응형 광학 가속의 근거는 훨씬 강해질 것이다.

세 번째 신호는 반복적 적응이 필요한 더 큰 응용 사례다. 다층 모델, 변화하는 센서 환경, 또는 배치된 광학 시스템은 정적 행렬 피팅 이상을 시험할 수 있다. 이는 더 긴 실행에서 그래디언트 품질이 어떻게 작동하는지 드러낼 것이다.

가장 강력한 응용 사례는 클라우드 기반 언어 모델 훈련과 닮지 않을 수 있다. 자체 물리적 환경으로부터 학습하는 광학 센서가 더 적합할 수 있다. 이러한 시스템은 하나의 광자 경로에서 신호 획득, 변환, 적응을 결합할 것이다.

연구자들은 INSPIRE를 순방향 전용 훈련 및 집적 광학 역전파와도 비교해야 한다. 각 접근법은 신호 라우팅, 측정, 하드웨어 대칭성에 서로 다른 요구를 제시한다. 어떤 단일 훈련 방법도 아직 보편적인 우위를 확립하지 못했다.

역사적 패턴은 신중함을 뒷받침한다. 광자 신경망은 제안된 그래디언트 측정에서 실험적 역전파, 순방향 전용 학습, 집적 비선형 시스템으로 발전해 왔다. 각각의 진전은 하나의 제약을 해결하는 동시에 또 다른 시스템 문제를 드러냈다.

INSPIRE의 기여는 이 흐름 안에서도 유난히 폭넓다. 물리 회로 자체를 그래디언트의 원천으로 삼고, 이를 행렬, 파장, 산란, 메타러닝 전반에 걸쳐 입증한다.

이 결과는 가장 유용한 질문도 바꾼다. 광자가 GPU를 대체할지 묻는 것은 지나치게 광범위하다. 실질적인 질문은 하드웨어 인지형 광학 학습이 광자 시스템의 구축과 제어에 따르는 복잡성을 어느 지점에서 상쇄할 수 있는가다.

개발자와 기업 구매자에게는 당장 내릴 플랫폼 결정이 없다. 이 연구는 아직 연구 단계에 머물러 있으며, 가장 뛰어난 성능 수치는 통제된 실험에서 나왔다. 조달 관련 주장은 재현 가능한 시스템 벤치마크가 확보될 때까지 기다려야 한다.

연구자들에게는 다음 단계가 더 분명하다. 더 큰 회로에서 이 방법을 시험하고, 전체 측정 비용을 공개하며, 다른 물리적 학습 방식과 비교해야 한다. 이러한 결과가 복잡성이 높아질 때 인시투 그래디언트가 정확성을 유지하는지 판단하게 될 것이다.

AI 사용자에게 이 연구의 의미는 더 먼 미래에 있다. 제작 이후에도 적응하는 하드웨어는 센싱이나 통신 지점에서 더 빠른 특화 작업을 지원할 수 있다. 또한 세부적인 디바이스 시뮬레이션에 대한 의존도를 낮출 수도 있다.

그 미래가 보장된 것은 아니다. 광학 손실, 아날로그 정밀도, 메모리, 패키징, 소프트웨어 통합은 여전히 실험과 광범위한 배포 사이에 놓여 있다.

그럼에도 INSPIRE 광자 학습은 기준선을 바꾼다. 광자 회로는 더 이상 다른 곳에서 계산된 파라미터를 고정적으로 실행하는 장치에 머물 필요가 없다. 회로는 자신의 물리가 목표 함수에 어떤 영향을 미치는지 측정하고, 그 정보를 활용해 학습할 수 있다.

다음으로 결정적인 증거는 또 하나의 고립된 속도 비율이 아닐 것이다. 완전한 에너지, 정확도, 안정성, 학습 비용을 보고하는 더 큰 시스템이 될 것이다. 모든 지원 구성 요소를 포함했을 때에도 물리적 학습은 우위를 유지할 수 있을까?