Koç University 광자 AI, 이미지 처리를 빛으로 오프로드했지만 에너지 절감 여부는 여전히 미지수

Koç University의 광자 AI 연구진은 광학 코어 주변의 전자 장치에 의존하면서도 이미지 처리를 빛으로 오프로드하는 두 가지 광학 시스템을 선보였다. 한 시스템은 색상 정보를 보존하면서 피부 이미지 벤치마크에서 98%의 정확도를 달성했다. 다른 시스템은 광섬유 레이저를 사용해 여러 데이터 세트에서 85%에서 99% 사이의 정확도를 기록했다.

이 결과는 단순히 더 큰 전자 가속기를 구축하는 것에 대한 보다 구체적인 대안을 지속 가능한 AI 연구자들에게 제시한다. 다만 두 시스템 모두 현대적인 GPU 배포 환경보다 총에너지를 적게 소비한다는 점을 입증하지는 못했다. 카메라, 광 변조기, 레이저, 제어 전자 장치, 디지털 분류기는 여전히 워크플로의 일부다.

바로 이 간극이 핵심이다. Koç University는 물리적 광학 시스템이 단순한 데이터 전송을 넘어 유용한 변환을 수행할 수 있음을 보여줬다. 다음 경쟁은 빛과 전기를 고립된 상태에서 비교하는 것이 아니다. 특수 목적의 광자 처리와 완전하고 고도로 최적화된 전자 컴퓨팅 시스템의 경쟁이다.

Koç University 광자 AI, 두 가지 워크로드를 빛으로 옮기다

이 연구는 의미 있는 처리 단계를 소프트웨어에서 물리적 광학 하드웨어로 옮겼지만, 전체 AI 파이프라인을 대체하지는 않는다.

보도된 연구는 이스탄불 Koç University의 조교수 Uğur Teğin과 학생들이 수행했다. 이는 Communications Engineering과 Communications Physics에 게재된 두 개의 별도 연구를 결합한 것이다.

첫 번째 시스템은 특히 컬러 이미지와 같은 다중 채널 데이터를 다룬다. 많은 광학 머신러닝 실험은 컬러 이미지를 그레이스케일로 변환해 입력을 단순화한다. 이는 분류가 시작되기 전 광학 시스템을 통과하는 정보를 줄인다.

Teğin과 석사과정 학생 Fatma Nur Kılınç는 다른 접근법을 택했다. 이들의 프로그래밍 가능한 광자 신경망은 빨강, 초록, 파랑 채널을 유지하고 함께 처리한다.

광자 신경망은 제어된 빛의 전파를 사용해 머신러닝과 연관된 수학적 변환을 수행하는 하드웨어다. 디지털 신경망의 모든 계층을 반드시 재현하는 것은 아니다.

연구진은 프로그래밍 가능한 공간 광 장치에 데이터를 인코딩했다. 이후 빛은 채널을 혼합하고 변환하는 광학 배열을 통과했다. 카메라는 그 결과 패턴을 포착했고, 이는 간단한 디지털 분류기에 특징을 제공했다.

이 구분은 중요하다. 광학 장비는 특징 추출을 수행한다. 즉, 원시 입력을 범주를 더 명확히 구분하는 표현으로 변환한다. 최종 결정은 여전히 전자적으로 이뤄진다.

다중 채널 연구에 따르면, 이 아키텍처는 이상화된 시뮬레이션에 전적으로 의존하는 대신 물리적 측정값으로부터도 학습한다. 덕분에 정렬 불량, 광학 수차, 제조 편차, 먼지, 열 드리프트에 대응할 수 있다.

이러한 불완전성은 설득력 있는 포토닉스 시뮬레이션과 실제 사용할 수 있는 장치를 가르는 경우가 많다. 광학 모델은 문서상으로는 우수하게 작동해도 물리적 구현에서는 다르게 동작할 수 있다. 하드웨어를 직접 최적화하면 이러한 불일치가 학습 과정의 일부가 된다.

HAM10000 피부 병변 데이터 세트에서 연구진은 최적화된 RGB 처리 후 98%의 분류 정확도를 보고했다. 사전 공개 논문의 상세 결과는 원시 픽셀 기준선이 67%였음을 보여주며, 이는 31%포인트의 개선이다.

이 시스템은 채널 혼합 최적화 후 STL-10 자연 이미지 벤치마크에서도 90%에 도달했다. 동일한 광학 아키텍처에서 RGB 처리는 그레이스케일 처리보다 일관되게 5~6%포인트 높은 성능을 보였다.

두 번째 연구는 다른 연산을 물리학으로 옮겼다. Teğin, Dilem Eşlik, Kılınç, Bahadır Utku Kesgin은 연속파 다중 모드 광섬유 레이저를 비선형 광학 프로세서로 사용했다.

비선형성은 프로세서가 직접적인 가중 합보다 복잡한 관계를 만들어낼 수 있게 한다. 현대 신경망은 단순한 선형 방법으로는 구별할 수 없는 패턴을 분리하기 위해 비선형 변환에 의존한다.

연구진은 이미지를 위상 패턴으로 인코딩한 뒤 레이저 공동으로 보냈다. 다중 모드 간섭과 이득 포화는 입력을 안정적인 강도 패턴으로 변환했다. 카메라는 선형 분류기를 위해 이 패턴을 기록했다.

이 구성은 재활용 폐기물, 날씨, 위성 이미지, 망막 스캔, 피부 병변과 관련된 벤치마크에서 85%에서 99%의 정확도를 달성했다. 광섬유 레이저 논문은 딥 신경망보다 자릿수 수준으로 적은 학습 가능 파라미터만 필요했다고 설명한다.

따라서 두 시스템은 상호 보완적인 문제를 다룬다. 하나는 여러 정보 채널을 보존하고 최적화한다. 다른 하나는 레이저 공동의 동작을 통해 비선형 특징 변환을 제공한다.

두 시스템은 광학 하드웨어가 미리 정해진 행렬 연산을 가속하는 것 이상을 할 수 있음을 보여준다. 하류 분류 작업을 더 쉽게 만드는 형태로 정보를 구성할 수 있다.

지속 가능한 AI 하드웨어에 더 빠른 GPU만으로는 부족한 이유

광자 AI를 향한 압력은 전자 칩의 갑작스러운 실패가 아니라 전력, 열, 데이터 이동에서 비롯된다.

AI 인프라는 여전히 그래픽 처리 장치와 기타 전자 가속기가 주도한다. 이러한 시스템은 프로그래밍 가능하며, 성숙한 소프트웨어의 지원을 받고, 확립된 공급망을 통해 제조된다.

이들의 약점은 더 큰 모델과 클러스터 전반으로 연산이 확대될 때 드러난다. 메모리, 프로세서, 네트워크 인터페이스 사이에서 데이터를 옮기는 데는 에너지가 든다. 전기 저항은 열도 발생시켜 냉각 요구량을 늘린다.

국제에너지기구는 데이터 센터가 2024년에 415테라와트시의 전력을 소비한 것으로 추정했다. 이는 전 세계 전력 소비량의 약 1.5%에 해당한다.

국제에너지기구의 에너지 전망은 2030년까지 약 945테라와트시로 증가할 것으로 전망한다. AI가 이 성장의 가장 큰 동력이지만, 다른 디지털 서비스도 기여한다.

이 전망이 AI만으로 예상 총량 전체를 소비한다는 뜻은 아니다. 다만 하드웨어 효율성이 이제 전력망 계획, 데이터 센터 건설, 운영 비용, 배포 일정에 영향을 미치는 이유를 보여준다.

국제에너지기구는 일반적인 AI 중심 데이터 센터가 10만 가구와 맞먹는 전력을 사용한다고도 추정한다. 건설 중인 최대 규모 시설은 그 20배를 사용할 수 있다.

전 세계 전력 소비가 지배적인 수준에 이르기 전에도 지역적 제약은 나타날 수 있다. 데이터 센터는 이용 가능한 광섬유, 토지, 고객, 전력 인프라 주변에 밀집한다. 선진국에서 새 송전선 구축에는 흔히 4년에서 8년이 걸린다.

광자 처리는 빛의 물리적 거동을 활용해 이러한 압력의 일부를 겨냥한다. 광자는 전하를 띠지 않기 때문에 광학 구조를 통과할 때 전자 회로에서 발생하는 일부 저항 손실을 피할 수 있다.

빛은 파장, 공간, 위상, 편광에 걸친 병렬성도 지원한다. 단일 광학 경로는 각 채널을 동일한 전자 연산 순서로 처리하지 않고도 여러 정보 채널을 전달할 수 있다.

이러한 특성은 이미지 데이터를 초기 광자 시스템에 매력적으로 만든다. 카메라 센서가 이를 전자 픽셀로 변환하기 전, 원래 신호는 이미 광학적이다. 그 변환 전이나 근처에서 일부 정보를 처리하면 이후의 디지털 작업을 줄일 수 있다.

가능한 적용 분야로는 머신 비전, 의료 영상, 산업 검사, 원격 탐사, 자율 시스템이 있다. 이들 분야는 때로 엄격한 전력 또는 지연 시간 제약 아래에서 시각 입력으로 빠른 결정을 내려야 한다.

그러나 광학적 병렬성이 커진다고 해서 시스템 수준의 에너지 비용이 자동으로 낮아지는 것은 아니다. 레이저에는 전력이 필요하다. 공간 광 변조기에는 제어 신호가 필요하다. 카메라는 출력을 포착해야 하며, 전자 하드웨어는 입력을 준비하고 결과를 해석한다.

따라서 Koç University의 두 프로토타입은 워크로드 오프로드 시스템으로 봐야 한다. 이들은 선택된 변환을 디지털 소프트웨어에서 광학 물리로 이전한다.

이 접근법은 가속기의 폭넓은 역사와 닮아 있다. GPU는 중앙 처리 장치를 없애지 않았다. 대신 병렬 설계에 맞는 연산을 넘겨받았다. 이후 특수 AI 칩은 추가적인 행렬 계산을 목적에 맞게 설계된 하드웨어로 옮겼다.

광자 가속기는 또 다른 역할 분담을 추구한다. 병렬 빛 전파가 의미 있는 이점을 제공하는 연산을 처리하는 것이 목표다. 전자 프로세서는 제어 흐름, 메모리 관리, 범용 소프트웨어, 높은 수치적 유연성이 필요한 작업을 계속 담당하게 된다.

가장 강력한 지속 가능성 주장은 광학 단계만의 효율이 아니라 전체 워크로드 에너지에 달려 있다. 연구진은 데이터 준비, 변환, 광원 생성, 검출, 냉각, 보조 전자 장치를 모두 계산해야 한다.

그러한 측정값이 존재하기 전에도 실험실 장비는 의미를 가질 수 있다. 어떤 연산이 빛에 깔끔하게 매핑되는지, 어떤 하드웨어 문제가 배포를 막는지를 확인할 수 있기 때문이다.

Koç University의 기여는 바로 여기에 있다. 이들의 시스템은 실제 하드웨어 불완전성에 대응하면서 유용한 광학 변환의 범위를 넓힌다. 하지만 아직 데이터 센터 에너지 논쟁을 결론짓지는 못한다.

Koç University 광자 AI가 실제로 이미지를 처리하는 방식

이 메커니즘은 빛의 전파를 특징 추출로 바꾸고, 더 쉬워진 분류 문제를 전자 장치에 다시 넘기는 방식으로 작동한다.

다중 채널 시스템은 이미지나 다른 다차원 입력으로 시작한다. 소프트웨어는 그 데이터를 프로그래밍 가능한 광학 장치에 매핑하며, 이 장치는 광장의 서로 다른 부분이 전파되는 방식을 제어한다.

이 장치는 RGB 채널을 하나의 그레이스케일 표현으로 축소하지 않고 보존한다. 이로써 광학 시스템은 형태와 질감뿐 아니라 색상 간 관계에도 접근할 수 있다.

빛은 여러 제어된 변환을 통과한다. 간섭은 진폭과 위상에 따라 파동을 결합해, 다수의 입력 관계를 한 번에 반영하는 출력 패턴을 만든다.

이후 카메라가 강도 패턴을 측정한다. 이 측정값은 정규화가 적용된 비교적 단순한 선형 모델인 릿지 분류기의 수치 특징이 된다.

분류기가 모든 유용한 이미지 구조를 스스로 발견하는 역할을 맡는 것은 아니다. 광학 변환이 이미 데이터를 재배열해 범주를 더 쉽게 구분할 수 있게 만들었다.

연구진은 6개의 채널 혼합 파라미터를 조정하기 위해 베이지안 최적화를 사용했다. 베이지안 최적화는 이전 실험 결과를 바탕으로 유망한 구성을 선택하므로, 모든 조합을 시험할 필요를 줄인다.

또한 자기조직화 임계성에서 영감을 받은 하드웨어 인 더 루프 방식을 적용했다. 이 과정은 훨씬 더 큰 광학 위상 공간을 교란하고 실제 장치에서 얻은 측정값으로 변화를 평가했다.

연구 사전 공개 논문에 따르면, 두 번째 최적화는 22,500개의 파라미터를 다뤘다. 보고된 한 작업에서는 약 75회 반복 후 수렴했다.

두 방법은 서로 다른 계층을 다룬다. 채널 혼합은 정보가 시스템에 들어가는 방식을 바꾼다. 하드웨어 최적화는 빛이 통과하는 물리적 위상 구성을 바꾼다.

각각의 실험에서 추가로 6~7%포인트의 성능 향상을 기록했다. 한 방법은 단 6개의 변수만 조정하는 반면, 다른 방법은 수천 개를 탐색한다는 점에서 이러한 유사성은 주목할 만하다.

이는 신중한 입력 구조가 훨씬 더 큰 규모의 하드웨어 탐색만큼 중요할 수 있음을 시사한다. 동시에 원시적인 광학 병렬성만으로는 충분하다고 여겨서는 안 된다는 경고이기도 하다.

광섬유 레이저 시스템은 다른 물리적 효과를 활용한다. 다중모드 광섬유는 여러 공간적 빛 패턴을 동시에 지원한다. 레이저 공진기 내부에서 이러한 모드는 간섭과 이득 동역학을 통해 상호작용한다.

입력 이미지는 위상 패턴으로 인코딩된다. 이 패턴이 순환하면서 공진기는 이를 더 높은 차원의 광 강도 분포로 매핑한다.

이득 포화는 중요한 비선형 응답을 제공한다. 광 증폭이 한계에 가까워지면 출력은 더 이상 입력에 정비례해 변하지 않는다.

이러한 비선형 동작은 복잡한 범주를 분리하는 데 도움이 된다. 그 결과 생성되는 패턴은 원시 픽셀로는 쉽게 분리되지 않는 경우에도 이미지 클래스를 선형 결정 경계로 분류할 수 있게 만든다.

연구팀은 초단·고출력 펄스 대신 연속파 레이저를 사용했다. 이러한 선택은 더 작고 잠재적으로 저전력인 물리적 프로세서라는 주장을 뒷받침한다.

그럼에도 공개된 정확도 수치는 신중하게 해석할 필요가 있다. 정확도는 데이터 세트, 학습 분할, 전처리, 클래스 균형, 비교 모델에 따라 달라진다.

한 의료 영상 실험에서 98% 결과가 나왔다고 해서 이 장치가 임상 현장에서 피부 질환을 98%의 신뢰도로 진단한다는 뜻은 아니다. 이 연구는 실제 배포된 의료 제품이 아니라 머신러닝 벤치마크를 평가한다.

첫 번째 연구는 동일한 단순 분류기로 처리한 원시 픽셀과 광학 특징도 비교한다. 이는 분류기 용량을 통제하지만, 완전한 최신 비전 모델과 비교한 것과는 다르다.

저자들은 모델 용량, 학습 데이터, 계산 비용의 차이로 인해 딥러닝과의 직접 비교가 복잡하다고 인정한다. 이들의 핵심 주장은 디지털 모델에 대한 보편적 우위가 아니라 광학 특징 추출에 관한 것이다.

이것이 보고된 결과를 바라보는 적절한 틀이다. 광학 시스템은 제한된 디지털 학습으로 유용한 표현을 만들어냈다. 정확도, 에너지, 비용, 규모 면에서 모든 전자식 대안을 이긴 것은 아니다.

이 메커니즘은 통합 작업이 어디에서 이뤄져야 하는지도 보여준다. 데이터가 광학 센서에서 직접 오지 않는 한 전자 시스템에서 시작된다. 이후 빛으로 인코딩되고, 처리·검출된 뒤 다시 전자 워크플로로 돌아가야 한다.

각 경계는 지연 시간, 에너지 소비, 보정 요구, 잠재적인 정보 손실을 더한다. 성공적인 제품은 이러한 경계를 넘는 데 드는 비용보다 광학 단계 내부에서 얻는 이득이 더 커야 한다.

변환 손실이 범용 GPU보다 뒤처지게 하는 Photonic AI

가장 중요한 미해결 질문은 모든 변환 및 제어 구성 요소를 포함해 계산했을 때 완전한 광학 시스템이 최적화된 전자 시스템을 능가하는지 여부다.

단일 광학 연산만 분리해 보면 포토닉 컴퓨팅은 종종 매력적으로 보인다. 빛은 빠르게 전파되고, 많은 채널을 결합하며, 일부 수학 연산을 적은 추가 에너지로 수행할 수 있다.

하지만 실제 배포되는 컴퓨터는 그 연산만 분리할 수 없다. 메모리, 소프트웨어, 입력 인코딩, 출력 검출, 오류 관리, 기존 프로세서와의 인터페이스가 필요하다.

캘리포니아대학교 어바인 캠퍼스의 전기공학 교수 Maxim Shcherbakov는 전기-광 변환을 핵심 장애물로 지목했다. 레이저는 전자 신호로 변조되어야 하고, 검출기는 결과를 다시 전자 데이터로 변환한다.

그의 포토닉스 평가는 범용 포토닉 프로세서가 여전히 표준 GPU에 뒤처진다고 주장한다. 그는 단기적으로 특화된 엣지 애플리케이션의 전망이 더 강하다고 본다.

이 평가는 Koç University의 실험과도 부합한다. 두 시스템 모두 구조화된 분류 작업을 목표로 한다. 어느 쪽도 범용 대규모 언어 모델을 실행하거나 완전한 GPU 소프트웨어 스택을 대체하지는 않는다.

엣지 시스템은 일부 입력이 이미 빛의 형태로 도착하기 때문에 더 명확한 진입점이 될 수 있다. 카메라, 현미경, 의료 영상 장비 또는 원격탐사 장비는 완전한 전자 표현을 만들기 전에 광학 정보를 처리할 가능성이 있다.

이는 변환 횟수를 줄인다. 또한 정보가 범용 프로세서, 메모리 시스템 또는 네트워크 연결에 도달하기 전에 데이터량을 줄일 수 있다.

시각 센서는 렌즈 근처에서 유용한 특징을 식별한 뒤, 압축된 표현만 전송할 수 있다. 가치는 유리로 GPU를 재현하는 데서가 아니라 더 낮은 지연 시간과 감소한 후속 작업에서 나올 것이다.

클라우드 데이터센터는 더 까다로운 기준을 제시한다. 이들의 하드웨어는 다양한 모델, 텐서 크기, 수치 형식, 빠르게 변화하는 소프트웨어 프레임워크를 지원해야 한다.

포토닉 하드웨어는 특화될수록 효율을 얻는 경우가 많다. 고정된 광학 동작은 일치하는 연산에는 매우 빠를 수 있지만, 알고리즘이 바뀌면 용도를 바꾸기 어렵다.

프로그래머블 변조기는 유연성을 높이지만 제어 복잡성도 더한다. 보정은 온도, 진동, 부품 노화 또는 작은 기계적 변화에 따라 드리프트할 수 있다.

Koç University의 하드웨어 기반 최적화는 이러한 문제 일부를 직접 다룬다. 측정값에서 학습하면 시스템은 이상적인 시뮬레이션이 놓치는 불완전성을 흡수할 수 있다.

이는 엔지니어링상 장점이지만, 지속적인 재보정 역시 시간과 에너지를 소모한다. 상용 평가는 적응이 얼마나 자주 일어나는지와 보정 주기 사이에 어떤 일이 발생하는지를 측정해야 한다.

정밀도 역시 또 다른 압박 지점이다. 전자 가속기는 명확히 정의된 수치 형식과 성숙한 오류 분석을 지원한다. 아날로그 광학 측정에는 노이즈와 소자 편차가 포함된다.

일부 머신러닝 워크로드는 낮은 정밀도를 허용한다. 다른 워크로드는 반복 연산 전반에 걸쳐 작은 오류를 증폭시키며, 특히 많은 광학 및 전자 단계가 연결될 때 그렇다.

공개된 실험은 광학 변환 뒤에 디지털 분류기를 사용한다. 이 제한된 구조는 많은 광학 계층을 거치며 오류가 누적될 위험을 줄인다.

접근법을 확장하면 새로운 절충안이 생길 수 있다. 더 많은 채널은 처리량을 높일 수 있지만 크로스토크도 만들 수 있다. 더 큰 시스템에는 더 많은 검출기, 제어 요소, 패키징, 정렬이 필요하다.

제조는 실험실 물리만큼 중요할 것이다. 유용한 가속기는 개체 간 재현성이 있어야 하고, 시간이 지나도 안정적이며, 생산 공정과 호환되고, 컴퓨팅 시스템 내부에서 유지보수할 수 있어야 한다.

현재 발표에서 에너지 관련 증거는 가장 큰 공백으로 남아 있다. 광섬유 레이저 논문은 프로세서를 작고 저전력이라고 설명하고, 다중 채널 논문은 잠재적 효율 이점을 언급한다.

어느 공개 요약도 동등한 GPU 워크로드와 비교한 완전하고 독립적으로 검증된 에너지 비교를 제공하지 않는다. 광원, 변조기, 카메라, 컨트롤러, 분류기에 대한 전체 회계도 없다.

이러한 부재가 연구를 무효화하는 것은 아니다. 다만 독자가 연구에서 도출해야 할 결론을 제한한다.

이 시스템들은 빛을 이용한 계산을 시연하고 강력한 분류 결과를 보고한다. 아직 상용 조건에서 올바르게 분류된 샘플당 더 낮은 종단 간 에너지를 입증하지는 못했다.

따라서 주요 경쟁 상대는 다른 포토닉스 실험실이 아니다. 소프트웨어 성숙도, 제조 규모, 유연성, 지속적인 효율 개선을 포함한 기존 전자 스택이다.

Photonic AI는 가치 있는 워크로드에서 그 완전한 스택을 능가할 때에만 승리한다. 더 빠른 광학 커널은 출발점일 뿐 최종 결과가 아니다.

광학 컴퓨팅의 확장 가능성을 보여줄 세 가지 신호

다음 단계에는 시스템 수준의 에너지 측정, 통합 하드웨어, 소규모 실험실 분류기를 넘어선 워크로드에 대한 신뢰할 만한 테스트가 필요하다.

첫 번째 신호는 종단 간 에너지 벤치마크다. 연구자들은 전체 장치에 대해 추론당 또는 처리 샘플당 줄 단위 에너지를 보고해야 한다.

이 측정에는 레이저, 광학 변조, 카메라, 디지털 제어, 전처리, 보정, 후속 분류기가 포함되어야 한다. 전자식 비교 대상도 유사한 정확도와 지연 시간으로 동일한 작업을 수행해야 한다.

Koç University 또는 독립 팀이 이러한 결과를 공개한다면 지속 가능한 AI 주장은 훨씬 강해질 것이다. 변환 이후 광학 절감 효과가 사라진다면, 주장은 지연 시간이나 특화 센싱으로 좁혀질 것이다.

측정 경계 역시 명확해야 한다. 빛 전파 중 사용된 에너지만 보고하면 프로세서를 실제로 작동하게 하는 구성 요소를 빠뜨리게 된다.

두 번째 신호는 물리적 통합이다. 보고된 두 시스템은 카메라와 제어 장비를 갖춘 실험실 광학 배열을 사용한다. 연구자들은 작고 칩에 통합된 장치를 중요한 향후 경로로 제시한다.

통합은 광학 경로를 단축하고 정렬 민감도를 낮추며 패키징 요구 사항을 줄일 수 있다. 또한 이 기술을 센서 및 전자 프로세서와 결합하기 쉽게 만들 수 있다.

성공적인 통합 프로토타입이 GPU를 대체할 필요는 없다. 기존 머신러닝 워크플로에 연결되는 안정적인 광학 프런트엔드를 입증할 수 있다.

특히 변화하는 온도나 진동 아래에서 통제된 실험실 환경 밖에서도 작동하는지 주목해야 한다. 장기 정확도와 보정 빈도는 자체 최적화가 실제 드리프트를 해결하는지 보여줄 것이다.

세 번째 신호는 더 폭넓은 워크로드 검증이다. 현재 연구들은 여러 이미지 및 구조화 데이터 벤치마크를 다루며, 이는 다용도성에 대한 유용한 증거다.

다음 테스트에는 스트리밍 센서 데이터, 더 큰 입력, 지연 시간 측정, 최신 디지털 특징 추출기와의 비교가 포함되어야 한다. 의료 또는 산업 현장 시험에도 대표성 있는 데이터와 독립적 평가가 필요하다.

배포된 엣지 실험은 또 하나의 고립된 정확도 기록보다 주장을 더 강하게 만들 것이다. 이는 광학 프로세서가 메모리, 통신, 전력 제한, 변화하는 입력 조건과 어떻게 상호작용하는지를 보여줄 것이다.

가장 가능성 높은 경로는 완전 광학식이 아니라 하이브리드 방식이다. 빛은 물리적 특성과 맞는 선택된 변환을 처리하고, 전자 장치는 메모리, 오케스트레이션, 범용 의사결정을 유지한다.

이러한 분업은 여전히 중요할 수 있다. 수백만 번 반복되는 연산에서 비용이 큰 한 단계를 제거하면, 시스템의 나머지가 전자식으로 남아 있어도 열과 에너지를 줄일 수 있다.

이는 개발자가 새롭게 등장하는 AI 하드웨어를 평가하는 방식도 바꾼다. 통합 비용, 수치 정확도, 활용도, 소프트웨어 지원이 없다면 최고 광학 처리량은 별 의미가 없다.

기업 구매자는 빛이 이론적으로 전자보다 빠른지가 아니라 장치가 실제 워크로드를 가속하는지를 물어야 한다. 또한 벽면 콘센트 기준의 측정값을 요구해야 한다.

이 분야가 확장됨에 따라 개발자와 연구자는 문서화 문제에 직면한다. 결과는 종종 프리프린트, 학술지 논문, 하드웨어 노트, 벤치마크 세부 정보, 이후 정정 자료에 걸쳐 있다.

검색 가능한 지식 베이스는 엔지니어링 팀이 이러한 세부 사항을 보존하고 일관된 평가 경계 아래에서 주장을 비교하는 데 도움이 될 수 있다.

Koç University의 Photonic AI 연구는 색상을 보존하고 비선형 처리를 도입하면서 유용한 이미지 변환을 물리적 하드웨어로 옮긴다는 점에서 주목할 가치가 있다.

가장 강력한 결과는 지속 가능한 컴퓨팅에 관한 확정된 주장이 아니다. 광학 하드웨어가 전자 장치와 나란히 설 자리를 진정으로 확보할 수 있는 지점을 찾기 위한 더 명확한 실험 경로다.

결정적인 증거는 전체 시스템 측정, 통합 프로토타입, 실제 워크로드에서 나올 것입니다. 그때까지 올바른 질문은 구체적입니다. 어떤 처리 단계가 빛으로 옮겨졌을 때, 그 주변에 필요한 모든 요소를 정당화할 만큼 충분한 에너지를 절감하는가?