• AI 데이터센터의 병목은 compute-bound → memory-bound → interconnect-bound 순으로 이동하고 있으며, 이번 대담은 그 다음 단계인 칩/랙/데이터센터 간 연결에 초점을 맞춘다.
• **실리콘 포토닉스(Silicon Photonics)**와 공동 패키지 광학(CPO), **광 I/O(Optical I/O)**가 이 병목을 푸는 핵심 기술 후보다.
• 96화에서 inference token economics를 다룬 뒤, 토큰 다이내믹스를 넘어 광학 인터커넥트가 왜 필수적인지 심층 탐구한다.

2. 등장 인물 및 배경

• 진행: 노정석 (AI Frontier Korea)
• 박준호: 미시간 대학(University of Michigan) 박사과정, UC Berkeley EECS/Materials Science & Engineering 학부, 실리콘 포토닉스 연구.
• 김태한: MIT 박사과정, UC Berkeley CS 학부, AI × biology(단백질 설계/신약 개발) 경험. 광자 설계에 AI/ML 피드백 루프를 접목하는 연구.
• 리진위안 (Jin Yuan): HyperAccel CTO. LLM 추론 전용 AI 칩을 개발하는 팹리스 기업. NVIDIA 로드맵과 광학 통합 동향을 상세히 분석.

3. AI 데이터센터 확장의 3축

• Scale-up (Y축): 하나의 랙 안에 최대한 많은 GPU를 집어넣는 방향. 예: NVIDIA NVL72, NVL144. 랙 내부는 아직 구리선이 주류.
• Scale-out (X축): 랙을 지속적으로 추가하는 방향. 랙 간 연결에는 전통적으로 광 인터커넥트를 사용.
• Scale-beyond / Scale-over (Z축): 데이터센터 간 광 연결. 메타, OpenAI 등의 초대형 데이터센터 단지에서 점점 중요해짐.
• 각 방향에 따라 구리 vs. 광의 적정 거리, 대역폭, 전력, 비용 트레이드오프가 달라진다.

4. 왜 지금 광 인터커넥트인가?

• 구리선의 한계: 짧은 거리(≈cm)에서는 에너지 효율·비용이 매우 우수. 거리가 미터 수준으로 늘어나면 피부 효과·유전 손실로 인해 신호 손실이 급증하고, 대역폭이 급감하며, 추가 리타이머/DSP가 필요해 전력·부피·발열이 늘어난다.
• 광 인터커넥트의 장점: 비트당 에너지(pJ/bit)가 거리에 거의 무관하며, 대역폭이 구리선보다 2~3배 이상 높다. 장거리뿐 아니라 향후 단거리에서도 점점 대안이 됨.
• 데이터센터 규모: 서울시 전체 전력의 60%, 유타 데이터센터가 주변 기온을 3°F(약 1.7°C) 올리는 수준의 전력·환경 부담이며, 상호 연결 전력이 핵심 변수.

5. 광학 연결의 계층과 진화

1. Pluggable optics: 케이블 형태의 분리형 광 모듈. 업계 표준, 랙 간 연결에 널리 사용. 유지보수가 쉬움.
2. On-board optics: PCB(기판)에 직접 광학 부품을 탑재. 모듈과 칩 사이 거리를 줄임.
3. Co-packaged Optics (CPO): ASIC/GPU 패키지에 광학 부품을 공동 패키징. 거리를 mm 수준으로 줄이고 해안선 밀도를 높임. 다만 분리/교체 불가, 수율/온도 문제.
4. Optical I/O: 칩 다이 레벨에서 실리콘과 함께 제조. 광파이버가 칩 가장자리에 거의 닿는 수준. 가장 높은 밀도와 낮은 비트당 에너지를 목표.

• 진원: NVIDIA의 Spectrum-X, LPU/LPX, 향후 Vera Rubin/Rubin Ultra 계열에서 CPO/광 I/O를 준비 중. Jensen Huang은 GTC에서 광학 통합을 강조.
• 산업 투자: Marvell이 Celestial AI를 $20억에 인수, NVIDIA가 Lumentum·Coherent에 각각 $20억 투자. 광학 부품 수직 통합이 경쟁의 핵심.

6. 실리콘 포토닉스의 동작 원리

• EO 변조 (Electro-Optic Modulation): 전기 신호 → 광 신호. 레이저는 항상 켜져 있고, 전압을 변조기에 가해 재료의 굴절률을 변화시킨 뒤, 빛의 위상 변화를 이용해 간섭(constructive/destructive interference)으로 강도 0/1을 만든다.
• WDM (Wavelength Division Multiplexing): 단일 광섬유에 서로 다른 파장(색)의 빛을 여러 채널로 동시에 실어 보낸다. 이를 통해 구리선보다 훨씬 많은 채널 수를 확보.
• 해안선 밀도 (Shoreline Density): 패키지 가장자리에서 mm당 얼마나 많은 Tb/s를 보낼 수 있는지. CPO/광 I/O가 해안선 밀도를 획기적으로 높인다.

7. 집적 밀도(Integration Density)와 이종 통합(Heterogeneous Integration)

• 광자 소자는 파장이 마이크로미터(μm) 수준이므로, 1~2nm 트랜지스터와 스케일이 다르다. MUX/DEMUX 등이 수 mm~cm 크기라 칩에 통합하기 어렵다.
• 실리콘은 간접 밴드갭이라 레이저를 직접 만들기 어렵다. 따라서 InP 등 III-V족 반도체 레이저를 실리콘 웨이퍼에 접합하는 이종 통합이 핵심.
• 이종 통합은 원자 수준 정밀 접합, 수율, 온도 안정성, 제조 복잡성 문제를 동반. SK하이닉스, 삼성, Lumentum 등이 연구 중.

8. AI 기반 설계: Inverse Design + cVAE + 제조 피드백 루프

• Inverse Design: 기존의 직관+시뮬레이션 루프를顛覆. 원하는 성능을 목적 함수로 두고 알고리즘이 기하학적 구조를 탐색·생성. 결과는 인간이 상상 못한 다공성·별 모양 구조.
• 크기 축소: mm 크기의 MUX/DEMUX를 μm(2~5μm) 수준으로 50~1000배 축소 가능. 채널 수를 4개 → 200개 수준으로 늘릴 수 있다.
• 문제: 생성된 구조가 제조 가능성(DfM)이 낮고, 시뮬레이션 결과와 실제 웨이퍼 수율이 다를 수 있다. 단순히 좋은 디자인만 남기는 기존 방식은 실패한 설계에서 정보를 낭비.
• 김태한의 단백질 설계 교훈: 좋은 단백질과 나쁜 단백질 모두를 피드백 루프에 넣고, 골격(skeleton)을 추출하여 다음 생성의 시작점으로 삼는다. 이를 광자 설계에도 적용.
• cVAE(Conditional Variational Autoencoder): 고품질 광자 데이터 분포를 학습. 조건(파장, 대역폭 등)을 주면 1초에 10,000개의 설계를 생성. 제조 가능성과 성능을 동시에 고려.
• 제조 가능성 지수: √(A)/P — 면적(A)과 둘레(P)의 비율. 섬(孔)이 많은 디자일수록 둘레가 커져 수율이 저하될 수 있다. AI 모델은 이를 고려해 더 깔끔하고 생산 친화적인 구조를 생성.
• 핵심 픽셀/통합 경사도: 제조 중 어느 부분이 성능에 민감한지 파악. SEM 이미지와 시뮬레이션으로 핵심 영역을 찾아 의도적 교란을 가해 검증. 품질 관리 단계에서 전체 웨이퍼 스캔 대신 핵심 영역만 집중 검사.

9. 실제 제작과 검증

• 박준호 연구팀은 Michigan 대학 클린룸에서 직접 웨이퍼를 제작하고, SEM 이미지로 설계와 실제 형태를 비교.
• EBL(Electron Beam Lithography) 공정, Si/SiO₂ 층 증착, 에칭을 통해 2D/3D 광자 구조를 제작. 실제 20nm 구멍도 이상적인 원형이 아닌 15~25nm 편차가 발생.
• 설계상 아름다운 구조라도 실제 제조 시 형태가 달라지면 성능이 급락. 따라서 설계 능력과 제조 공정 이해를 동시에 갖추는 것이 필수.

10. 산업·비즈니스 시사점

• AI 데이터센터 전력·대역폭 수요에는 상한이 없어 보이며, 상호 연결은 곧 에너지·비용·성능의 핵심 축이 된다.
• NVIDIA, Marvell, Broadcom 등이 광학 부품을 수직 통합하려 거대 투자를 진행. 2~3년 내 CPO/광 I/O 상용화가 가속화될 전망.
• 현재 실리콘 포토닉스를 전문으로 하는 연구자와 제조 가능한 연구실은 한국·미국 모두 손에 꼽을 정도. AI+광학 융합은 희소한 인재와 기회를 동시에 의미.
• 개발 주기가 전통적으로 20년이 걸렸던 분야도, AI 설계 피드백 루프로 4~5년으로 단축 가능할 수 있다.

11. 인간-AI 협업의 미래

• 노정석은 “오늘날 모든 문제는 컴퓨팅 성능 향상을 통해 검색으로 풀리는 것처럼 보인다”고 언급.
• 인간이 문제 정의, 의도(intention), 방향, 통찰을 설정하고, AI가 대규모 검색과 구체적 설계를 수행하는 모델이 실리콘 포토닉스 등 복잡한 하드웨어 분야의 핵심 방법론이 될 것.
• 김태한은 최근 지능형 에이전트를 연구 도구로 활용해 광자 회로 설계를 시키는 방향을 고려 중이라고 밝힘.

12. 핵심 인용

• “현재 AI 데이터센터는 compute-bound와 memory-bound가 병목이다.”
• “다음 병목은 연결(interconnect)이며, 광학 인터커넥트가 차원이 다른 해결책이다.”
• “구리선은 짧으면 좋지만, 거리가 늘어나면 피부 효과·유전 손실로 한계가 명확하다.”
• “실리콘은 레이저를 만들 수 없는 간접 밴드갭 재료이므로, III-V 레이저를 이종 통합해야 한다.”
• “Inverse Design은 인간의 직관을 넘어 mm→μm 크기의 광자 구조를 만들어낸다.”
• “단백질 설계에서처럼 좋은 설계와 나쁜 설계 모두를 피드백 루프에 넣어야 한다.”
• “cVAE로 1초에 10,000개의 설계를 생성하고, 제조 가능성과 성능을 동시에 최적화한다.”
• “인간은 문제와 의도를 설정하고, AI가 검색과 설계를 수행하는 협업이 핵심이다.”

13. 원문 자막 (정리)

아래는 YouTube 자동 자막(한국어 자동 번역)을 타임스탬프와 중복을 제거한 원문입니다.

오늘 녹화는 2026년 7월 26일에 진행되었습니다. 일요일 아침. ICML 주간 동안, 저는 매우 흥미로운 연구자 두 명을 만났습니다. 저는 그들의 연구 결과가 모든 사람과 공유할 가치가 있다고 생각합니다. 그래서 저희는 그분들을 오늘 프로그램에 초대했습니다. 그중 한 명은 미시간 대학교에서 박사 과정을 밟고 있는 박준호입니다. 또 다른 한 명은 MIT에서 박사 과정을 밟고 있는 김태한입니다. 또 다른 게스트는 저희 프로그램에 자주 출연하시는 분입니다. 하이퍼액셀의 CTO인 리진위안이 오늘 그 세 사람을 초대했습니다. 대화를 나눠봅시다. 지난 에피소드인 96화에서, 우리는 추론 토큰 경제학에 대해서도 논의했습니다. 토큰에 대해 논의할 때, 우리는 현재의 AI 데이터 센터가 연산 능력과 메모리 용량에 제약을 받는다는 특징을 가지고 있다고 언급했습니다. 이 두 가지 주요 병목 현상, 따라서 성능이 제한적입니다. 다음으로는 리진위안 CTO와 함께 일할 계획입니다. 토큰 역학을 더 심층적으로 탐구하기 위해. 하지만 컴퓨팅에 대해 논의할 때는- 제한된 메모리 제약 조건을 사용할 때, 우리는 이런 점들을 자주 언급합니다. 예를 들어 NVL72와 NVL144가 있습니다. 같은 랙 안에서 구리선으로 연결되어 있습니다. 랙 사이, 데이터 센터 사이 그리고 인터넷이 있는데, 인터넷은 당연히 광 인터커넥트를 사용합니다. 우리는 항상 이런 것들을 당연하게 여겨왔습니다. 하지만 준호와 태한과 대화를 나누는 동안, 이런 종류의 광학 인터커넥트는 칩 사이, 즉 칩 간 연결에 사용될 수 있다고 들었습니다. 이는 대역폭을 한 단계 더 높일 것입니다. 차원이 다른 완전히 새로운 수준에 도달했습니다. 저는 이 연구들이 특히 흥미로웠습니다. 이 분야를 실리콘 포토닉스라고 합니다. 그래서 오늘 이 두 ​​젊은 연구원을 초대한 것입니다. 그들은 또한 기업가로서의 꿈을 품고 있었다. 실리콘 포토닉스에 대해 이야기해 보도록 그들을 초대합시다. 준호와 태한, 환영합니다! 안녕하세요 여러분, 만나서 반갑습니다. 두 분의 간략한 배경을 소개해 주시겠습니까? 자, 그럼 오늘의 주제로 넘어가 볼까요? 먼저 간단하게 소개부터 하겠습니다. 제 개인적인 경험입니다. 저는 학부 시절에 UC 버클리에 다녔습니다. 전기전자공학 및 재료공학을 전공했습니다. 학업을 하면서 반도체에 대한 관심이 더욱 커졌습니다. 그래서 자연스럽게 실리콘 포토닉스로 눈을 돌리게 되었습니다. 나중에 저는 이 분야를 정말 좋아하게 되었습니다. 저는 그것의 미래가 밝다고 생각합니다. 그래서 그는 박사 학위를 받기 위해 미시간 대학교에 갔습니다. 연구의 중점은 실리콘 포토닉스입니다. 다음으로 간단히 저를 소개하겠습니다. 저도 버클리에서 컴퓨터 과학을 전공했습니다. 저는 그곳에서 준호를 만났고, 우리는 친구가 되었습니다. 저는 곧 MIT에 가서 박사 과정을 밟을 예정입니다. 학부 시절에는 인공지능 발견에 관한 연구를 했습니다. 저는 생물학과 인공지능의 결합에 대해서도 연구해 왔습니다. 하지만 여기서도 병목 현상은 하드웨어 쪽에 있습니다. 이 질문에 대해 고민하던 중, 어느 이른 아침 준호 씨와 전화 통화를 하게 되었습니다. 두 지점 사이의 연결점이 발견되었습니다. 그리하여 연구가 시작되었습니다. Jin Yuan 씨, 저도 몇 마디 말씀 드리겠습니다. 안녕하세요 여러분. 저는 HyperAccel의 CTO입니다. 제 이름은 리진위안입니다. 우리는 회사입니다 LLM 추론 AI 칩 개발을 전문으로 하는 팹리스 기업입니다. 현재 이 시장은 엔비디아가 지배하고 있다 저희는 NVIDIA의 개발 로드맵을 면밀히 주시해 왔습니다. 현재 이용 가능한 제품은 Vera Rubin과 NVL72입니다. 이후 NVL144와 같은 솔루션이 등장했습니다. 하나의 랙에 최대한 많은 GPU를 장착해 보세요. 이 방식의 기본 원칙은 가능한 한 구리선을 많이 사용하는 것입니다. GPU를 더 연결하세요. 하지만 속도가 계속 증가함에 따라 구리 연결에도 한계가 있다는 것을 점점 더 많은 사람들이 인식하고 있습니다. 따라서 AI 반도체 분야에서는, 광학 및 실리콘 포토닉스에 대한 관심이 매우 높습니다. 저희도 이 점에 매우 관심이 많습니다. 오늘 우리는 흥미로운 이야기들을 많이 듣게 될 것 같습니다. 그래서 정말 기대하고 있어요. 모두 만나서 반가워요. 시작해볼까요? 메모리부터 포토닉스까지, 시작해 볼까요? 기억력에 대한 수업을 해 봅시다. 광학 수업인가요? 다음으로는 메모리에서 포토닉스로의 전환에 대해 이야기해 보겠습니다. 동기 부여부터 시작해 봅시다. 머신러닝(ML) 관점에서 포토닉스가 중요한 이유를 설명합니다. 먼저 개요부터 살펴보겠습니다. AI 인프라에는 세 가지 주요 문제가 있습니다. 계산 능력 측면에서 보면, 얼마나 빨리 계산할 수 있느냐의 문제입니다. 저장 용량 측면에서 데이터를 읽는 속도는 얼마나 빠를까요? 그리고 저장할 수 있는 데이터 양은 얼마나 될까요? 세 번째는 바로 우리여야 합니다. 오늘의 주제는... 다시 말해, 상호 연결 및 통신과 관련하여, 기기 간 데이터 전송 속도는 얼마나 빠를 수 있나요? 그게 핵심이에요. 제 생각에는 GPU나 TPU 같은 컴퓨팅 장치들은, 성능은 이미 상당히 좋습니다. 궁극적으로 핵심 질문은 HBM에서 다른 시스템으로 데이터를 신속하게 전송할 수 있는지 여부입니다. SRAM과 같은 장치에서. 따라서 많은 관심을 끌었습니다. FlashAttention과 같은 연구들은 또한 HBM과 SRAM 간의 데이터 이동을 최소화하는 방법도 연구하고 있습니다. 데이터를 빠르게 읽고 타일링과 같은 기법을 활용하세요. 처리 속도를 향상시키기 위해 가능한 한 계산을 해당 부분에 집중시키십시오. 이 분야에 대해서는 광범위한 연구가 진행되어 왔습니다. 이러한 유형의 연구는 흔히 I/O 인식 연구 또는 메모리 인식 연구라고 불립니다. 주목 기기 간 통신에 관하여, 모델이 매우 커지면 또한 많은 엔지니어링 최적화 작업이 이루어졌습니다. 모델 크기가 매우 커지면 하나의 모델이 하나의 기기에 들어갈 수는 없습니다. 따라서 분할을 위해서는 모델 병렬 처리가 사용되어야 합니다. 데이터 양이 매우 많을 때 GPU는 유휴 상태로 방치되어서는 안 됩니다. 따라서 데이터를 여러 배치로 나누어야 합니다. 서로 다른 기기에서 학습할 수 있도록 하세요. 그렇다면 개별 학습 결과를 어떻게 결합할까요? 재조립 관련 연구 및 엔지니어링 작업 이 문제가 널리 주목받고 있는 것 같습니다. 더욱이 규모가 클수록 그 중요성은 더욱 커진다. 모델을 확장하거나 대규모 모델을 학습시킬 때 데이터 전송은 매우 중요합니다. 계산은 분명히 중요합니다. 하지만 데이터 전송 또한 매우 중요합니다. 그러므로, 이를 더 큰 규모로 생각해 보면, 몇 년 전, 아니, 십 년 전쯤에 초점은 단일 장치, 단일 GPU에 맞춰져 있습니다. 이 기기는 어느 정도의 컴퓨팅 성능을 낼 수 있습니까? 규모가 계속 확장됨에 따라 차세대는 다음과 같은 방향으로 나아가고 있는 것으로 보입니다... 데이터센터 수준. 이는 로컬 기기에서 분산 환경으로의 전환을 의미합니다. 심지어 매우 큰 규모의 시설조차도 단일 가속기 내부의 문제점 랙 간 연결 수준까지 확장됩니다. 따라서 주커버그는 데이터 센터를 구축하고 싶어했습니다. 그리고 이 소식이 발표되었습니다. OpenAI 또한 30억 달러 규모의 프로젝트를 진행하고 있습니다. AI 데이터 센터 이 제품의 전력 소비량은 정말 상상을 초월합니다. 상식으로는 도저히 이해할 수 없는 일처럼 느껴져요. 이는 서울시 전체 전력 소비량의 60%를 차지합니다. 유타에 건설된 데이터 센터에 대한 보도도 있습니다. 이는 주변 온도를 3°F 정도 높일 것입니다. 기온 변화 자체가 생태계를 변화시키기 때문입니다. 따라서 일부 사람들은 사막이나 바다에 건설하는 것을 제안했습니다. 심지어 우주로 보내자는 의견도 나왔습니다. 제가 여기서 강조하고 싶은 것은 바로 이것입니다. 이 규모는 우리의 예상을 뛰어넘었습니다. 그게 전부입니다. 이 척도는 정말 그렇습니다. 따라서 그 규모는 믿을 수 없을 정도로 확대되고 있습니다. 칩이나 장치를 확장하기 위해 세 축을 기준으로 대략적으로 볼 수 있습니다. 앞서 언급한 규모 확대 Y축을 따라 위쪽으로 쌓여 있습니다. "스케일 아웃"이란 X축을 따라 랙을 지속적으로 추가하는 것을 의미합니다. 물론, 계속해서 위로 쌓아 올릴 수도 있습니다. 따라서 이 세 방향으로 확장될 수 있습니다. 보시다시피, 세 가지 방법이 있습니다. 각 접근 방식에는 나름의 문제점이 있습니다. 그리고 각각 다른 장점이 있습니다. 한 가지만 더, 규모 확장, 규모 확장, 규모 확대 광자 산업에서 이 세 가지 핵심 용어 이것들은 모두 아주 흔한 표현들입니다. 따라서 우리가 데이터 센터 확장에 대해 이야기할 때, 그것은 단순히 일반적인 의미의 확장을 뜻하는 것이 아닙니다. 오히려 스케일업과 스케일아웃 중 어떤 방식을 사용하는지에 따라 달라집니다. 또는 규모를 확장하거나, 이는 랙의 내부를 가리키기 때문입니다. 여전히 칩 대 칩 방식입니다. 또는 데이터 센터 간 언급된 범위는 다를 수 있습니다. 그럼 위로, 밖으로, 건너편으로 계속하기 전에 이 세 가지 개념을 좀 더 정확하게 설명해야 할까요? X, Y, Z축은 이해하기 쉽습니다. 위로, 밖으로, 그리고 가로지르다가 각각 무엇을 의미하는지 설명해 주시겠습니까? 먼저 스케일업에 대해 간략하게 소개드리겠습니다. 데이터 센터에는 여러 개의 랙이 있으며, 각 랙 안에는... 진원이가 방금 말했듯이, 이 제품에는 다수의 GPU가 포함되어 있습니다. 소위 규모 확대 이름에서 알 수 있듯이, 이는 가장 하위 레벨의 GPU와 관련이 있습니다. 최상위 GPU에 항상 연결되어 있습니다. 그리고 그것들이 서로 잘 연결되어 있는지 확인하십시오. 다시 말해, 선반의 내부 구조에 대해 설명하는 것입니다. GPU 간 또는 칩 간 수직적 상호 연결을 효과적으로 구현하는 방법. 제가 말하는 게 바로 그거예요. 규모 확장에 관해서는, 이는 랙 간의 광 연결을 의미합니다. 논의의 핵심은 바로 이 부분입니다. 그리고 규모를 확장하세요 즉, 데이터 센터 간 통신입니다. 데이터센터 자체를 분산시켜 보세요. 왜냐하면, 방금 슬라이드에서 보셨듯이, 그 크기는 맨해튼과 거의 비슷합니다. 따라서 데이터 센터로 사용하기가 어려운 경우가 있습니다. 통합 관리. 따라서 여러 데이터 센터에 분산되었습니다. 그런 다음 이러한 데이터 센터들을 서로 연결하여 네트워크를 확장합니다. 이것이 바로 규모의 개념입니다. 는 랙, 데이터 센터를 거쳐 다른 데이터 센터로 전송할 수 있습니다. 우리는 이것을 다음 세 가지 관점에서 이해할 수 있습니다. 따라서 우리는 다음과 같은 결론을 내릴 수 있습니다. 다음 세대가 정말 훌륭한 모델을 만들고 싶다면, 위에서 언급한 소프트웨어 수준 최적화 하드웨어를 고려한 코드를 작성하는 것은 분명히 중요합니다. 하지만 하드웨어 자체가 이러한 대규모 환경을 처리할 수 있을까요? 이는 심각한 병목 현상이 될 것입니다. 이는 자명해 보인다. 자, 그럼 다음으로 이야기하고 싶은 것은... 광자학. 하드웨어 병목 현상에 대해 이야기해 봅시다. 진원이 하이퍼액셀을 운영하는 동안 앞서 언급했듯이 현재 GPU 간에는 모든 연결은 여전히 ​​구리선을 사용하여 이루어집니다. 구리선은 매우 저렴하지만, 하지만 이러한 방식에는 많은 한계점도 있습니다. 여기 차트를 참조해 주세요. 아래 X축은 다음을 나타냅니다... 상호 연결 길이. 는 1km 정도 더 이어집니다. 가까운 거리에, 구리 연결부는 성능이 상당히 좋습니다. 에너지 효율이 좋고 제조 비용이 저렴합니다. 가격은 매우 저렴하지만, 거리가 미터 수준에 도달하면 문제가 발생합니다. 에너지 효율이 크게 떨어질 것입니다. 이는 광 인터커넥트와 비교한 것입니다. 이에 비해 광통신은 비트당 에너지 소비량은 실질적으로 변하지 않습니다. 따라서 거리에 거의 영향을 받지 않습니다. 따라서 광 인터커넥트의 단거리 사용 여부와 관계없이, 또는 장거리 전송에는 광 인터커넥트를 사용하십시오. 에너지 효율 측면에서는 기본적으로 변함이 없습니다. 그렇다고 구리선이 완전히 나쁘다는 말은 아닙니다. 단거리 상호 연결에 사용될 경우, 구리선은 매우 효율적이고 저렴할 수 있습니다. 하지만 데이터 센터 랙 간 전송에서는, 그리고 향후 랙이 더욱 확장됨에 따라 랙 사이 또는 랙 내부의 공간은... GPU 간의 거리는 수 미터에 달할 수도 있습니다. 그때부터 병목 현상이 나타나기 시작할 것입니다. 이 사진을 잠깐 보세요. 왼쪽 그림은 신호 손실을 보여줍니다. 이는 거리가 어떻게 변하는지를 보여줍니다. 데이터 전송 과정 중에, 신호 손실은 어떻게 변화할까요? 구리선용 짧은 거리에서는 신호 손실이 거의 없습니다. 하지만 거리가 미터 단위로 늘어나면... 신호 손실이 급격히 증가할 것입니다. 따라서 데이터 손실이 매우 심각합니다. 즉, 대역폭이 매우 낮을 것입니다. 반면 광섬유는 신호 손실이 거의 없습니다. 거리가 멀어지더라도 이 사실은 변하지 않습니다. 이제 오른쪽 이미지를 보세요. Y축은 거리를 나타냅니다. X축은 대역폭을 GB/s 단위로 나타냅니다. 수동형 구리선의 비교 광섬유로 연결할 때, 광섬유의 대역폭을 확인할 수 있습니다. 그 수치는 2~3배 정도 더 높습니다. 차이점은 매우 분명합니다. 그래서 지금 기업들이 하려고 하는 것은... 엔비디아를 포함하여, 모두가 구리선의 효율을 높이기 위해 열심히 노력하고 있습니다. 사실, 제가 아는 한 NVIDIA는 랙 간 광 인터커넥트는 아직 완전히 구축되지 않았습니다. 즉, 아직 상용화되지 않았다는 뜻입니다. 따라서 많은 기업들이 시도하고 있습니다. 구리선의 동작 주파수를 높이십시오. 이렇게 하면 대역폭이 증가합니다. 하지만 문제는, 대역폭을 늘리면 손실이 크게 증가합니다. 물리적인 관점에서 보면, 이는 피부 효과 때문입니다. 그리고 유전 손실, 이것들은 금속 재료의 물리적 특성입니다. 따라서 주파수가 증가함에 따라 신호 손실이 크게 증가합니다. 따라서 구리선을 이용해 대역폭을 늘리는 데에는 상한선이 있습니다. 손실이 너무 커질 것이기 때문입니다. 주파수가 특정 수준을 초과하고 대역폭을 계속 늘리고 싶을 때, 이를 위해서는 리타이머 및 DSP와 같은 장치를 추가해야 합니다. 신호를 증폭하는 데 사용되거나 신호 오류를 수정하세요. 그리고 이러한 종류의 장치들이 많이 사용될 것입니다. 이러한 기기가 많아질수록, 전력 소비량이 높을수록 패키지의 부피가 커집니다. 게다가 전력 소비량이 증가함에 따라 이렇게 하면 자연스럽게 많은 열이 발생합니다. 발생되는 열량이 증가한 후, 데이터센터 규모로 확장할 때, 태환이가 말한 것처럼, 주변 온도가 화씨 약 4도 정도 상승할 수 있습니다. 이는 환경에 해로울 뿐만 아니라 에너지 활용에도 극도로 해롭습니다. 따라서 이는 심각한 문제가 될 것입니다. 따라서 많은 기업들이 실리콘 포토닉스 기술을 홍보하기 위해 부단히 노력하고 있습니다. 또는 광 I/O, 코패키징 광학 장치 등의 기술. 상업화를 달성하기 위해. 하지만, 함께 패키징된 광학 부품을 살펴보면 다음과 같습니다. 또는 실리콘 포토닉스 기술 각각 어느 수준에서 적용되나요? 왼쪽부터 시작하세요. 맨 왼쪽에 있는 것이 업계 표준이 되었습니다. 제조 및 포장은 매우 쉽습니다. 플러그형 광학 장치. 널리 사용됩니다 랙 간 연결. 간단히 말하면, USB 케이블이라고 생각하면 됩니다. 그냥 광통신 기능을 갖춘 USB 케이블일 뿐입니다. 이름에서 알 수 있듯이, 플러그를 꽂고 뽑는 것을 직접 할 수 있습니다. 랙 간 연결에 사용됩니다. 다음 단계는 온보드 광학 장치 개발로, 이러한 탈부착형 광학 장치를 통합하는 것을 시도하는 것입니다. 회로 기판에 더욱 통합됩니다. 공동 패키징 광학 제품은 패키징 단계에서부터 시작됩니다. 이는 ASIC 칩과 함께 패키징되어 ASIC 칩을 통합합니다. 광 인터커넥트 간 거리 밀리미터 단위까지 정밀하게 측정 가능. 포토리소그래피 과정에서 추가적인 광학 I/O가 사용됩니다. 우리는 그것을 한 번에 모두 완료할 수 있습니다. 즉, 그것들을 함께 제조하는 것입니다. 이렇게 하면 거리가 더욱 짧아질 것입니다. 거의 ASIC 칩에 닿을 듯 말 듯하네요. 따라서 구리선으로 연결됨 거리는 거의 0에 가깝습니다. 하지만 오른쪽으로 갈수록... 제조 공정의 복잡성이 높을수록 좋습니다. 플러그형 광학 부품을 제조할 때, 사실 그들은 케이블을 만들고 있었을 뿐이었어요. 광통신은 지금까지 널리 사용되어 왔습니다. 본질적으로 광통신 기술입니다. 따라서 제조가 훨씬 쉽습니다. 하지만 만약 회로기판에 통합되어 있다면... 이는 제조 과정을 상당히 어렵게 만들 것입니다. 칩과 함께 제조되어야 하기 때문입니다. NVIDIA의 젠슨 황이 기조연설을 하고 있습니다. NVL72와 같은 시스템을 시연할 때, 이 제품에는 광통신 전용 칩이 포함되어 있지 않나요? 저것들은 함께 포장된 광학 부품으로 간주되나요? 리진위안 최고기술책임자(CTO)는 지난 기조연설 내용을 좀 더 잘 숙지했어야 했다. 올해 GTC를 보면, 그들은 루빈에 대해 많은 이야기를 나눴다. 예를 들어, LPU를 LPX로 만들 수 있습니다. 자사 제품 라인에 통합하십시오. 루빈 가족은 다양한 제품을 보유하고 있습니다. CPU 칩도 있는데, 그 이름은... 박준호 선수의 스펙이 공개되었나요? 그렇게 빠르다고? 네, 스펙트럼-X라는 독립형 CPU 칩이 있습니다. 생김새가 이 사진과 매우 비슷합니다. 루빈의 다양한 제품들 중에서, 처음에도 말씀드렸듯이, 베라 루빈의 NVL72 또는 NVL144, 이는 앞서 언급한 확장 범위 내에서 가능한 한 많은 GPU를 탑재하는 것을 의미합니다. 스케일아웃으로 전환할 필요가 없습니다. 규모 확장만을 이용하여 최대한 많은 작업을 수행하기 위해, 구리선을 사용하여 최대한 많은 GPU를 연결하는 방법을 고려해야 합니다. 서버 랙의 높이는 48U입니다. 높이는 U 단위로 표시됩니다. 48U 서버 랙에서, 이 시스템은 1U 서버 48대를 수용할 수 있습니다. 내부에 있는 GPU를 살펴보겠습니다. 일반적으로 1U 서버 하나에는 4개의 장치가 설치됩니다. CPU 두 개를 더 추가하고 모두 연결하세요. 이는 72 또는 144까지 확장될 수 있습니다. 따라서 내부 랙 연결은 가능한 한 이러한 방식으로 이루어져야 하며, 외부 연결 또한 동일한 원칙을 따라야 합니다. 이때 광학 기술이 사용됩니다. 앞서 언급한 CPU 관련 칩들은, 이 품종은 루빈 계열에도 속합니다. 그러므로 제가 아는 한, NVIDIA는... 저희는 이 방향으로 광범위한 준비를 진행할 것입니다. 그리고 그에 상응하는 제품들을 출시했습니다. 이 기술은 이더넷 허브처럼 단순히 꽂아서 사용하는 기능을 넘어 발전하고 있습니다. 이 기술은 석판 인쇄 수준까지 완전히 발전했습니다. 우리는 이것을 중요한 통찰력으로 받아들일 수 있습니다. 그럼 다음 부분으로 넘어가세요. 현재 업계는 CPO와 광 I/O에 집중하고 있습니다. 이러한 광자 부품을 다이 레벨에 직접 장착하려는 시도 실리콘 레벨에서의 공동 제조 그리고 함께 포장되어 있습니다. 아마 3월쯤이었을 거예요. 마벨은 주로 인터넷 사업에 집중하는 회사입니다. Marvell은 광학 부품 패키지 전문 기업인 Celestial AI를 인수했습니다. 그리고 광학 I/O, 인수 가격은 약 20억 달러입니다. 그 인수 후 3개월 만에 폴라리톤이라는 회사가... 다른 부품을 제조하는 회사들, 그들은 즉시 그것을 손에 넣었다. 엔비디아도 마찬가지입니다. 루멘텀과 코히런트, 주식 거래를 자주 하는 사람들 아마 여러분은 이 두 회사를 모두 알고 계실 겁니다. 그들은 모두 광통신 분야에 종사하고 있습니다. 광학 부품을 패키지 형태로 적극적으로 개발하고 있는 회사입니다. 엔비디아는 이들 각각에 20억 달러를 투자했습니다. 따라서 네트워크 분야에서는, NVIDIA와 Marvell 같은 강력한 기업들 그들은 또한 이러한 유형의 광자 기술을 수직적으로 더욱 통합하고 있습니다. 그들은 제조 공정을 사전에 완전히 장악하려고 시도하고 있습니다. 그들은 그러한 조치를 취하고 있습니다. 이것이야말로 미래를 위한 명확한 방향인 것 같습니다. 네. 바로 직전에 젠슨 황이 출연한 팟캐스트 에피소드를 들었습니다. 그들이 지금 이렇게 하는 이유는 2~3년 후에는... 광학 부품이 함께 포장된 제품과 같은 제품의 제조가 매우 활발해질 것입니다. 그들은 다른 회사에 빼앗기고 싶지 않았습니다. 그래서 마치 미리 정보를 가져오는 듯한 느낌이 들어요. 다시 말해, 우리는 먼저 투자합니다. 우리는 그 생산 라인을 장악할 것이다. CPO를 사용해야 하는 이유에 대해서는... 광학 I/O를 사용하는 이유는 무엇일까요? 당연히 구리선이 많을수록 대역폭은 낮아집니다. 열 손실 또한 증가할 것입니다. 따라서 모두가 구리 전선 사용량을 획기적으로 줄이기 위해 열심히 노력하고 있습니다. 이를 위해서는 광학 부품이 함께 패키징되어야 합니다. 이는 구리선 사용량을 줄이는 광자 기술을 의미합니다. 광자 기술에 대해 논의할 때, 저는 이 두 가지 지표가 가장 중요하다고 생각합니다. 그중 pJ/bit 이는 1비트를 전송하는 데 필요한 에너지의 양을 나타냅니다. 이는 비트당 에너지 단위입니다. 다음으로, 해안선 밀도는 다음을 의미합니다. 패키지 또는 실리콘 웨이퍼가 있는 경우 그것의 가장자리를 해안선이라고 합니다. 이는 엣지에서 얼마나 많은 것을 통합할 수 있는지를 측정합니다. Tb/s 전송이 가능한 광 인터커넥트 따라서 단위는 밀리미터당입니다. 다시 말해, 에지에서 밀리미터당 얼마나 많은 대역폭을 제공할 수 있습니까? 그러므로 높을수록 좋습니다. 비트당 에너지가 낮을수록 좋습니다. 왼쪽에서 볼 수 있듯이, Plugable은 비트당 에너지 효율이 가장 높습니다. 가장 긴 구리선이 들어있기 때문입니다. 광학 I/O에 가까울수록 그러한 경향이 더 강해집니다... 베어 다이와의 통합, 그러면 비트당 에너지도 감소하는 것을 알 수 있습니다. 이는 구리선을 사용하는 부분의 길이가 짧아졌기 때문입니다. 이와 같이 신호 손실이 발생할 경우, 다시 수정해야 합니다. 또는 신호 진폭을 다시 증가시키십시오. 이러한 작업은 더 이상 필요하지 않습니다. 따라서 비트당 에너지 소비량이 감소할 것입니다. 하지만 앞서 언급했듯이, 공동 패키지 광학 부품으로 전환하는 경우 CPO 또는 광학 I/O, 그 결과 여러 가지 문제점들이 발생할 것입니다. 실제로 NVIDIA와 Marvell 같은 회사들이 물론, 저희는 광 I/O와 CPO도 사용하고 싶습니다. 비즈니스 관점에서 볼 때, 그들의 대역폭 성능이 더 우수합니다. 비트당 에너지 소비량 또한 훨씬 낮습니다. 하지만 만약 그것들이 함께 포장되어 있다면, 첫째, 해당 장치는 분리하거나 교체할 수 없습니다. 함께 포장되어 있기 때문입니다. 플러그형 광학 장치의 경우, 이 케이블에 문제가 생기면, 케이블을 교체하기만 하면 됩니다. 하지만 이 CPO가 실패하면, 칩 전체를 교체할 수는 없습니다. 그래서, 유지보수성 또한 저하될 것입니다. 게다가 광자 소자와 ASIC 칩이 함께 배치되기 때문에, ASIC에서 발생하는 열은 또한... 이는 광자 기술에도 영향을 미칠 것입니다. 게다가, 만약 그것들이 함께 제조된다면, 제조 난이도 또한 훨씬 더 높아질 것입니다. 따라서 수확률은 매우 낮을 것입니다. 이는 특히 플러그형 광 모듈과 비교했을 때 더욱 그러합니다. 그러므로 진정으로 던져야 할 질문은… 모든 부품을 한꺼번에 교체하라는 게 중요한 게 아닙니다. 문제는 광자 기술로의 전환을 어디서부터 시작해야 하느냐는 것입니다. 이것이 가장 중요한 점입니다. 다음 절에서는 실리콘 포토닉스 기술의 세부 사항을 설명합니다. 제가 소개해 드리겠습니다. 실리콘 포토닉스 기술 자체는 전기 신호를 광 신호로 변환합니다. 빛이 전달되도록 한 다음, 이 광 신호를 보내십시오. 전기 신호로 다시 변환합니다. 예를 들어 CPU나 ASIC 칩에서처럼요. 특정 메시지를 보낼 때, 그 메시지는 비트 형태로 전송됩니다. 그러니까 소위 '광 엔진'이라고 불리는 것은 사실 송수신기입니다. 이를 위해서는 전기 신호를 광 신호로 변환해야 합니다. 즉, 비트를 빛으로 인코딩하는 것입니다. 그러면 빛은 광섬유를 따라 이동합니다. 수신측에 도착합니다. 수신측, 즉 수신단에서 그런 다음 광 신호를 다시 전기 신호로 변환합니다. 이런 식으로 수신 칩이 이것이 바로 당신이 이 정보를 이해하는 방식입니다. 하지만 가장 중요한 것은 전기 신호를 광 신호로 변환하는 방법은 무엇일까요? 이것이 핵심입니다. 다음으로, 전기 신호는 광 신호로 변환됩니다. 그런 다음 광 신호가 전기 신호로 변환됩니다. 이 과정을 EO 변조라고 합니다. 정식 명칭은 전기광학 변조입니다. 그 원리를 간략하게 요약하면 다음과 같습니다. 공동 패키징 광학 시스템에서 레이저는 항상 켜져 있습니다. 레이저는 항상 켜져 있었다. 동시에 칩에서 전기 신호가 발생할 거잖아요? 그리고 빛, 특히 특정 파장의 빛이 있습니다. 이 전기 신호들은 전압으로 변조기에 인가됩니다. 전압을 가하면, 변조기 재료의 굴절률이 변할 것입니다. 굴절률이 변하면, 레이저에서 나오는 빛의 위상 또한 변할 것입니다. 즉, 위상이 바뀌고 비트는... 빛의 위상에 인코딩되어 있습니다. 그런 다음 신호는 광섬유를 따라 이동하여 검출기에 의해 감지되었습니다. 검출기는 위상과 같은 정보를 감지합니다. 그 부분을 다시 읽어보세요. 따라서 대부분의 변조기는 빛의 세기를 직접적으로 바꾸지는 않습니다. 대신, 실리콘의 굴절률을 변화시켜 위상에 개입합니다. 이것은 비트를 인코딩합니다. 기존 EO 변조기 이 모든 것들이 이 원칙에 따라 작동한다고 이해할 수 있을까요? 네. 사실 전에 사람들은 빛의 강도를 조절하여 비트를 인코딩하려는 시도를 해왔습니다. 예를 들어, 레이저는 직접 켜고 끌 수 있습니다. 빛을 방출할지 여부를 제어합니다. 또는 MEMS와 같은 장치를 레이저 앞에 배치할 수도 있습니다. 사용하려면 빛을 차단하는 소재를 한 겹 더 덧대십시오. 열리고 닫힙니다. 네, 그렇게 켜고 끌 수 있어요. 하지만 직접 사용해 보니... 속도가 충분히 빠르지 않습니다. 레이저의 물리적 메커니즘 또한 매우 복잡합니다. 레이저가 꺼짐에서 켜짐으로 전환됩니다. 이 과정에는 물리적인 한계가 있습니다. 제한 요소는 바로 이 전환 속도입니다. 예를 들어, 빛을 차단하는 판과 유사한 구조물을 설치하면... 빛 차단 필름은 먼저 빛을 차단해야 합니다. 빛이 통과할 수 있도록 다시 위로 올려주세요. 이러한 기계식 움직임에도 속도 제한이 있습니다. 그러므로 사람들은 다음과 같이 생각했다. 광량 조절 방법 속도가 충분히 빠르지 않으면 레이저를 계속 작동시키세요. 위상을 변경하세요. 그다음 비트를 인코딩합니다. 이렇게 하면 훨씬 빨라질 것입니다. 전압이 물질에 가해지면 굴절률이 매우 빠르게 변합니다. 레이저의 스위칭 속도보다 훨씬 빠릅니다. 이제 우리는 GB 수준에서 벗어나고 있습니다. 테라바이트 수준으로 나아가고 있습니다. 테라바이트(TB) 범위의 대역폭을 달성하기 위해, 속도가 엄청나게 빨라야 합니다. 그리고 현재 거의 유일하게 이러한 속도는 굴절률을 변경함으로써 얻을 수 있습니다. 적어도 지금으로서는 그렇습니다. 데이터를 전달하는 빛이 통과하는 매개체. 여전히 광섬유로 이해할 수 있겠죠? 하지만 위상을 바꾸면 데이터를 인코딩하려면, 그것을 머릿속으로 그려보는 것은 정말 어려운 일입니다. 간단히 말해서, 작동 방식은 다음과 같습니다. 레이저는 항상 켜져 있습니다. 레이저 빔이 두 갈래로 나뉘었다. 이 바이러스는 중간 경로를 거치지 않고 직접 퍼집니다. 다른 경로에는 변조기가 장착되어 있습니다. 즉, 전압을 인가하는 방법 굴절률을 변화시키는 데 사용되는 장치. 따라서, 여기에 전압을 가하면, 위쪽 경로에서 오는 빛만 위상이 변합니다. 다음 경로의 빛의 위상은 완전히 변하지 않습니다. 어떠한 개입도 받지 않았기 때문입니다. 다음으로, 고등학교에서 배운 내용을 활용해 보겠습니다. 건설적 간섭과 파괴적 간섭. 특정 전압이 가해지면 위상차가 180도 발생하여 두 광선이 만날 때... 서로 상쇄될 것입니다. 이 경우 출력 광량은 0입니다. 즉, 빛의 강도는 0입니다. 다음으로, 여기에 전압이 가해진다고 가정하면, 위상이 360도가 되거나, 전압이 인가되지 않습니다. 두 광선이 만나면 다시 겹쳐지게 됩니다. 그러면 빛의 강도는 1이 됩니다. 이는 전기 신호를 굴절률 변화로 변환합니다. 전압을 가하면 상변화가 유도됩니다. 그런 다음 위상 변화가 있는 부분과 위상 변화가 없는 부분을 합칩니다. 이는 빛의 강도 변화로 변환될 것입니다. 지금까지 거의 모든 변조기는 그들은 여전히 ​​이 아키텍처를 사용하고 있습니다. 방금 단일 채널에 대해 말씀하셨는데요. 실제로 채널 수는 상당히 많습니다. 같은 매체에 동시에 신호를 보내는 것이 작동 원리입니다. 제가 제대로 이해한 것인가요? 이것을 재사용과 재사용 중단이라고 합니다. 사실, 광자 기술의 장점은 바로 이러한 점에서 비롯됩니다. 계속할까요? 하지만 실리콘 포토닉스 기술의 가장 중요한 점은 바로… 방금 설명드린 것처럼 레이저는 항상 켜져 있어야 합니다. 그러므로 칩의 어느 지점에는 레이저가 있어야 합니다. 하지만 실리콘의 가장 큰 문제는... 실리콘을 이용해 레이저를 제조하는 것은 어렵습니다. 물리학에서 실리콘 이는 소위 간접 밴드갭 물질에 속합니다. 빛을 내는 데는 적합하지 않습니다. 그러므로 레이저는 이를 칩에 통합하려면 다른 반도체 재료를 도입해야 합니다. 붙이세요. 예를 들어, 실리콘 포토닉스 웨이퍼가 있다고 가정해 봅시다. 그래서 레이저는 InP 소재로 제작되었습니다. 그다음 실리콘 다이에 부착합니다. 이를 III-V족 통합이라고 합니다. 이것이 바로 실리콘 포토닉스 기술이 수율 향상에 어려움을 겪는 이유이기도 합니다. 제조가 매우 어려운 이유 중 하나입니다. 모든 CMOS 공정 때문에 이 모든 제품들은 실리콘에 최적화되어 있습니다. 그러므로, 만약 실리콘을 이용하여 레이저를 제조할 수 있다면... 그렇게 된다면 정말 좋겠네요. 하지만 레이저는 실리콘을 사용하여 효율적으로 제조할 수 없기 때문에, 레이저는 다른 플랫폼에서만 제조할 수 있습니다. 그다음 실리콘에 부착하세요. 하지만 레이저가 만들어진 후에는... 접합 과정이 매우 어렵습니다. 제가 아는 바로는 SK하이닉스, 삼성, 그리고 루멘텀이... 모든 회사들이 이 문제를 연구하고 있습니다. 이러한 레이저들을 효율적으로 접합하는 방법은 무엇일까요? 동시에 높은 수확량을 달성할 수 있습니다. 그리고 상당한 연구가 진행되었습니다. 그것도 포토리소그래피를 이용해 제작한 겁니다. 이렇게 층층이 쌓여 있는 건가요? 우리는 여전히 다른 곳에서 그 모듈을 구해야 합니다. 사진식각 공정 중에 설치되는 것인가요? 는 반드시 포함되어야 합니다. 실리콘 리소그래피 공정 중에 층들을 쌓아 올릴 수 있다면 상대적으로 더 쉬울 것입니다. 하지만 실제로는 원자 수준에서 이루어져야 합니다. 접합 작업을 수행하십시오. 이 레이저를 실리콘에 부착해야 할까요? 하지만 원자 규모에서 이러한 종류의 결합을 달성하려면 극도로 어려움 일반적인 반도체 제조 공정이 모두 이와 같지는 않습니다. 층층이 그것들이 쌓여있는 건가요? 단순히 외부에서 무언가를 가져와 붙이는 대신에. 이와 유사한 다른 절차들이 있나요? 아니면 이 기법이 이번에 처음 사용된 것인가요? 네. 해당 산업은 다음을 의미합니다. 이질적 통합, 이를 이종 통합이라고 부르는 이유는 다음과 같습니다. 완전히 다른 두 가지 곡물을 붙여야 하기 때문입니다. 따라서 이를 이종 통합이라고 합니다. 레이저는 플러그형 광학 모듈에도 사용됩니다. 따라서 플러그형 광학 모듈을 사용하는 레이저를 제조할 때, 이종 접합이 때때로 사용됩니다. 최근 코패키징 칩, CPU 칩 및 기타 제품을 제조할 때, 제가 이해한 바로는, 그들은 주로 이종 통합을 사용합니다. 실리콘 자체는 ​​빛을 방출할 수 없기 때문입니다. 그것을 빛나게 만드는 것은 매우 어렵습니다. InP 레이저와 실리콘 레이저 효율성 차이는 거의 100배, 심지어 1,000배에 달합니다. 그래서 InP 레이저가 연결되었습니다. 실제 효율은 훨씬 더 높습니다. 제가 아는 한, 제 멘토는 이종 통합 분야에서 박사후 연구를 수행하는 동안 많은 연구가 진행되었습니다. 그들은 또한 UC 산타바바라에 공동으로 특허 출원서를 제출했습니다. 이후 인텔에 매각되었다. 제가 알기로는 인텔은 지금까지 자체적으로 CPO 칩을 생산해 왔습니다. 하지만 제 기억으로는 그때가 아마 2006년이나 2007년쯤이었을 거예요. 따라서, 이종 통합 기술 자체는 이 프로젝트는 2~30년의 역사를 가지고 있지만, 최근에야 비로소 주목받기 시작했습니다. 대략 이런 식으로 이해할 수 있습니다. 물론, B 옵션은 외관을 먼저 완성하고 나서 내부를 설치하는 것을 의미합니다. 괜찮아요. 하지만 직관적인 관점에서 보면, 칩을 외부에서 조립한 후 삽입하면 전체 크기가 자연스럽게 증가하여 칩과 호환되지 않게 됩니다. 은 통합되어 있습니다. 이 질문을 하셨으니 말씀드리자면, 제가 한 가지 덧붙이자면, 곡물을 수직으로 쌓는 이 방법 실리콘 포토닉스 기술에 사용되지 않더라도, 또한 최근에 널리 채택되고 있습니다. 칩과 다이의 크기가 점점 커짐에 따라, 우리가 일반적으로 I/O라고 부르는 것, 즉, 신호가 외부로 전송될 때, 하지만 칩 면적은 두 방향으로 증가합니다. 변의 길이는 한 방향으로만 증가하므로 면적이 클수록 좋습니다. 변의 길이와 면적의 비율이 작을수록 좋습니다. 이러한 방식으로 데이터 전송에 사용할 수 있습니다. 공간이 점점 부족해짐에 따라 위로 쌓아 올려야 합니다. 따라서 실리콘에 관통 구멍(TSV)을 뚫습니다. 신호가 위아래로 전송될 수 있도록 하십시오. 3D IC라는 개념 자체도 다소... 비슷하네요…네, 비슷한 개념인 것 같아요. 이렇게 여러 개의 곡물이 수직으로 쌓입니다. 이 방법이 광학과 관련이 없더라도, 이제는 널리 사용되고 있습니다. 하지만 이러한 기술들은 아직 초기 단계에 머물러 있습니다. 이 들판은 정말 놀랍군요. 저는 관련 서적도 몇 권 읽었습니다. 그들은 마법과 같은 것들에 끊임없이 의문을 제기한다는 사실을 깨달았다. 불가능해 보이는 프로젝트였지만, 성공적으로 완수되었습니다. 인공지능이 없었다면 저는 아마 반도체 산업에 관심이 없었을 겁니다. 정확히 무슨 일이 있었던 건가요? 그렇게 생각해요. 하지만 인공지능 덕분에, 우리는 가장 아래층부터 시작합니다: 발전소, 데이터 센터, 그다음에는 칩과 메모리 용량이 있습니다. 대역폭을 포함한 모든 것을 이해해야 합니다. 이 모든 것을 이해해야만 사물을 더욱 명확하게 볼 수 있다. 어떤 관점에서는 흥미롭지만, 또 한편으로는 꽤 골칫거리이기도 합니다. 층들 사이에는 명확한 경계가 없습니다. 모든 것이 서로 얽혀 있는 것 같아요. 진위안을 예로 들면, 이러한 종류의 칩을 제조하려면, 이 모델은 상위 레벨에서 PyTorch를 사용하여 계산됩니다. 전자공학의 기본 원리를 모두 이해해야 합니다. 좋아요, 계속할까요? 앞서 말씀드렸듯이, 광자 기술에는 단 하나의 도파관 광섬유만 필요합니다. 이를 통해 서로 다른 주파수의 빛이 서로 다른 정보를 전달할 수 있습니다. 그리고 재사용과 재사용 중단. 제가 말하려던 게 바로 그거고, 사용한다는 것의 의미도 정확히 그거예요. 서로 다른 네 가지 메시지를 전송하고 싶다면 독립적인 구리선 통로가 4개 있어야 합니다. 하지만 설령 광자 기술에 단 하나의 길밖에 없다 하더라도... 각 주파수마다 서로 다른 정보를 삽입하십시오. 이를 통해 서로 다른 주파수의 빛이 동일한 경로를 따라 이동할 수 있습니다. 이는 빛의 서로 다른 주파수를 분리하는 과정을 포함합니다. 그런 다음 여기서 신호 처리가 수행됩니다. 따라서 전기 배선의 채널 수를 늘려야 합니다. 빛은 채널이 하나뿐이라 하더라도 다양한 파장을 통과할 수 있습니다. 이로써 이용 가능한 채널 수가 크게 늘어납니다. 진위안이 방금 언급했듯이... 2차원 평면에서 면적은 차원의 제곱에 비례하여 증가합니다. 하지만 변의 길이는 선형적으로만 증가할 수 있습니다. 이 재사용 방식이 채택된다면 이는 소위 해안선 밀도를 증가시킬 수 있습니다. 이는 해안선 밀도를 크게 증가시킬 것입니다. 칩 가장자리에 있는 구리선 때문에, 채널 수를 늘리려면 엣지에 채널을 추가해야 합니다. 원래는 한 번에 네 명이 지나갈 수 있는 통로였습니다. 항목이 10개로 늘어났습니다. 심지어 조항 수가 16개로 늘어났습니다. 하지만 CPO나 광 I/O의 경우에는, 그럴 필요 없어요. 여러 주파수를 입력하면 됩니다. 구체적인 사항은 디멀티플렉서의 성능에 따라 달라집니다. 다시 말해, 디멀티플렉싱을 사용하여 서로 가까이 위치한 주파수들을 분리할 수 있을까요? 그것들은 정확하고 정밀하게 구별될 수 있습니다. 그렇긴 하지만, 구리선과 비교하면 해안선 밀도는 이와 관련해서 질문이 있습니다. 주파수를 바꾸는 것은 본질적으로 빛의 색깔을 바꾸는 것과 같습니다. 서로 다른 색깔의 빛을 동시에 보내는 것으로 이해하시면 되겠죠? 디지털 신호를 사용하여 0과 1을 전송할 때, 단순히 두 가지 유형의 신호를 구분하는 데 그치지 않습니다. 이제 종류는 네 가지, 여섯 가지, 심지어 여덟 가지까지 늘어날 수도 있습니다. 서로 다른 전압 레벨. 이는 0과 1 사이에 여러 전압 레벨을 추가하는 것을 의미합니다. 이는 여러 비트를 동시에 전송하는 것과 같습니다. 하지만 그렇게 하면 필연적으로 앞서 언급한 문제들에 더 취약해질 것입니다. 구리선을 통해 전달되는 전압이 0과 1을 구분하는 방법은 더욱 세분화되어 있습니다. 아주 작은 소음이라도 오판으로 이어질 수 있다. 따라서 여러 가지 색깔의 빛을 동시에 보낼 때 온도와 같은 요인 때문일까요? 색깔이 변한 원인은 무엇인가요? 네. 따라서 가장 중요한 CPO는 온도 조절에 관한 문제입니다. 캡슐화는 매우 중요합니다. 왜냐하면 멀티플렉서와 ​​디멀티플렉서 같은 장치들을 제대로 패키징할 수 있도록 패키징을 잘하는 방법을 연구해야 하기 때문입니다. 온도 변화의 영향을 최소화하십시오. 이러한 문제들은 포장 단계에서도 발생합니다. 광범위한 연구가 진행되었습니다. 또한, 빈도가 0.3nm의 파장 간격으로 구분이 매우 촘촘합니다. 기온이 단 1도만 오르더라도 파장 또한 변화하게 되므로... 비트 정보가 뒤섞일 것입니다. 이 문제는 실제로 존재합니다. 구리선으로도 이러한 효과를 얻을 수 있습니다. mux와 demux와 유사한 개념 하지만 광자 기술의 가장 큰 장점은 바로... 멀티플렉서 및 디멀티플렉서 장치 자체는 수동적입니다. 따라서 에너지를 전혀 소비하지 않습니다. 빛을 다중화 및 역다중화할 때, 전압과 같은 에너지 입력은 필요하지 않습니다. 그리고 만약 구리선이 내장형 다중 채널 정보, 수신단 이 모든 정보를 처리해야 합니다. 하지만 빛은 그럴 필요가 없습니다. 그러니까 부품을 설계하고 싶다면... 핵심은 광자 장치를 어떻게 통합하느냐입니다. 더욱 효율적이고 컴팩트하게 설계되었습니다. 대략적인 방향은 그쪽입니다. 이러한 예시들을 통해 현재의 포토닉 칩이 어떤 성능을 가지고 있는지 알 수 있습니다. 여전히 기본적으로 센티미터 수준입니다. 그러한 장치를 제조하려면, 면적은 센티미터 단위로 측정됩니다. 따라서 통합하기가 매우 어렵습니다. 트랜지스터는 현재 사용되고 있습니다... 1.5nm, 1nm 및 기타 공정, 하지만 광자 소자는 여전히 밀리미터 및 센티미터 수준에 머물러 있습니다. 기기 크기가 너무 큽니다. 따라서 통합이 어렵습니다. 통합이 어려운 이유는 다음과 같습니다. 센티미터 단위를 사용해야 하는 이유는 무엇인가요? 빛 자체에 대해 곰곰이 생각해 보세요. 파장은 마이크로미터(μm) 단위입니다. 마이크로미터(μm) 수준에서 빛을 가두기 위해, 해당 장치 자체의 크기는 나노미터(nm) 수준일 수 없습니다. 따라서 모든 종류의 부품이 만들어질 것입니다. μm 스케일. 이러한 마이크로미터 크기의 구성 요소를 결합하면, 이는 mm 또는 cm 수준에 이를 것입니다. 하지만 방금 말씀하신 장점도 있습니다. 훨씬 더 많은 정보를 저장할 수 있지 않나요? 통합을 강화해야 하는 이유에 대해서는... 통합 수준이 높기 때문에, 대역폭이 높을수록 좋습니다. 광학 분야에도 동일하게 적용됩니다. 통합 수준이 높을수록 구성 요소가 더 많아집니다. 대역폭 또한 당연히 더 높습니다. 채널 수가 늘어났기 때문입니다. 방금 말씀드린 대로, 다음은 구성 요소의 몇 가지 예입니다. 멀티플렉서와 ​​디멀티플렉서 같은 구성 요소는 매우 중요합니다. 또 다른 중요한 구성 요소는 다음과 같습니다. 그것은 전력 분배기라고 불립니다. 빈도로 나누지 않습니다. 빛의 강도인데, 사실 매우 유사한 개념입니다. 한 사람은 주파수를 분리하는 역할을 맡습니다. 하나는 빛의 강도를 조절하는 역할을 맡습니다. 둘 다 중요합니다. 구성 요소. 그래서 제 생각에는 여기서부터 시작하는 게 아주 중요하다고 봅니다. 사실 저도 이 분야에 대한 배경지식이 전혀 없습니다. 저도 광학에 대해서는 잘 몰라요. 지난해 10월 어느 이른 아침, 준호 씨와 이야기를 나누던 중, 당시 생물학 분야 또한 매우 유사한 추세가 나타나고 있습니다. 생물학 분야에서도 무어의 법칙과 유사한 주제들을 논의하기 시작했습니다. 각 서열을 순서대로 배열할 때, 비용은 지속적으로 감소하고 있으며, 데이터는 대량으로 축적되고 있습니다. 2년 전, 데이비드 베이커는 하사비스, 점퍼 등이 노벨 화학상을 수상한 후, 이 분야는 광범위한 관심을 받고 있습니다. 이 디자인을 봤을 때, 문득 아이디어가 떠올랐습니다. 생선 뼈처럼 생겼네요. 이 디자인은 직관에 매우 반합니다. 그래서 제 첫 생각은, 직관에 반하는 거니까, 만약 그것이 이미 인간의 직관의 범위를 넘어섰다면, 하지만 크기를 줄여야 합니다. 딥러닝과 결합할 수 있을까요? 아이디어는 아주 간단합니다. 배경 설명을 좀 드리겠습니다. 방금…… 방금 언급했듯이, 부품의 크기는 엄청 크네요, 그렇죠? 그러니까... 전통적인... 기존 부품들의 크기를 보세요. 단일 멀티플렉서 또는 디멀티플렉서의 크기는 mm 단위입니다. 전력 분배기는 μm 단위로 표시되지만, 하지만 그 크기는 2,000μm에 달할 수도 있습니다. 그러니까 실제로도 mm 범위에 속한다는 거죠. 하지만 역공학이라는 유형도 있습니다. 알고리즘을 최적화하세요. 역공학을 이용하여, 이를 통해 멀티플렉서 및 전력 분배기와 같은 장치의 크기를 측정할 수 있습니다. 그림에서 보는 바와 같이, 줄어들다 크기는 마이크로미터(μm) 단위이며, 대략 2μm 또는 5μm 정도입니다. 즉, 이 정도까지 축소될 수 있다는 뜻입니다. 50배, 100배, 심지어 1,000배까지 줄일 수 있습니다. 즉, 이 크기로 줄일 수 있다는 뜻입니다. 그런데 문제는 무엇일까요? 태한이 방금 말했듯이, 단점은 생성된 디자인이 매우 직관적이지 않다는 것입니다. 최적화 알고리즘을 사용하여 계산되기 때문입니다. 그것은 마치 물리 법칙에 완전히 맡기는 것과 같습니다. 우리는 최적화 알고리즘에 대해서만 묻고 있습니다. 주파수를 가장 효율적으로 분리하는 방법은 무엇일까요? 그러므로 결과는 인간이 상상하는 것과는 다를 것이다. 그런 직관적인 디자인. 리버스 엔지니어링이 무엇인지 간단히 설명해 주시겠어요? 다음 내용을 누구나 쉽게 이해할 수 있는 방법은 무엇일까요? 전통적인 것부터 시작해 볼까요? 장치 설계 방법. 사람들은 먼저 다음을 떠올릴 것입니다. 상대적으로 직관적인 기하학적 구조입니다. 다음으로 시뮬레이션을 통해 장치 성능을 검토합니다. 그다음, 결과를 바탕으로 더욱 세밀하게 조정합니다. 이렇게 하면 성능이 향상됩니다. 다시 말해, 이는 인간의 직관에 기반한 것입니다. 시뮬레이션 루프. 역설계란 먼저, 우리가 원하는 부품의 사양을 결정합니다. 그다음에는 알고리즘에 넘겨주세요. 우리는 특정한 기능을 가진 장치를 제조하고 싶습니다. 예를 들어, 우리는 이런 방식으로 이루어지기를 바랍니다. 주파수 분리; 이러한 요구사항들을 알고리즘에 입력한 후... 그러면 알고리즘이 기하학적 구조를 생성합니다. 예를 들어, 이것은 과거 딥러닝 활용과 유사한가요? 고양이와 개를 구분하는 문제를 어떻게 해결할 수 있을까요? 먼저 결과를 살펴보고, 그 다음 역순으로 살펴보세요. 어떤 특징이 이들을 더 잘 구분할 수 있을까요? 이것이 제대로 이해한 것인가요? 는 사실상 단순한 경사 하강법으로 볼 수 있습니다. 우리 모두 이루고 싶은 목표가 있잖아요, 그렇죠? 우리는 그 기기가 특정한 기능을 갖기를 바랍니다. 이는 정량화할 수 있습니다. 광학 분야에서는 해당 지표에 대해 목표 함수가 설정됩니다. 그다음 이 목적 함수를 실행하십시오. 경사 하강법 그러니까 경사 하강법이라고 생각하시면 됩니다. 그럼 이 물리적 형태는 본질적으로는 객체를 최적화하는 것에 관한 것입니다. 이는 모델과도 같은 의미입니다. 그런 다음 성능을 목적 함수로 설정합니다. 왜 이런 모양을 갖게 되었는지는 알 수 없습니다. 하지만 이것이 최적화 후의 결과입니다. 즉, 이 역방향 방법을 사용하면, 이를 최적화 문제로 접근함으로써 해결책을 찾을 수 있었다. 그 결과, 원래는 mm 단위에서만 해결할 수 있었던 문제가... 갑자기, 마이크로미터 규모에서도 문제를 해결할 수 있게 된 것이다. 이 이미지가 그 점을 잘 보여주죠, 그렇죠? 색상을 분리하는 물리적 장치 뒤에 아주 작은 구멍들이 많이 있는 것 같아요. 저게 실제 모양인가요? 네, 맞습니다. 구멍이 있네요. 실리콘 기판의 기공과 같습니다. 환풍구와 비슷합니다. 이 디자인을 사용하면 빛의 색깔이 분리됩니다. 이 이미지는 마이크로미터 규모의 구조를 보여줍니다. 우리는 배경 정보 중 많은 부분을 생략했을 뿐입니다. 이 디자인은 인간이 만든 것이 아니라 기계가 만든 것입니다. 이를 통해 훨씬 작은 크기로 구현할 수 있습니다. 만약 그 위치가 실리콘으로 채워져 있다면 값은 1 또는 0으로, 매우 간단한 구조로 볼 수 있습니다. 는 결국 매우 직관에 반하는 디자인을 만들어냈습니다. 핵심은 제조하기 어려운 디자인을 만들어낸다는 점입니다. 그게 핵심입니다. 그래서 비록 작은 부품들을 얻었지만, 하지만 그들은 또한 큰 대가를 치렀습니다. 첫째, 설계 제약 조건을 포함해야 합니다. 제조 가능성과 관련해서는 앞서 언급했듯이, 이곳에는 구멍이 빽빽하게 많이 나 있습니다. 이 구멍들은 실제 제조 과정에서 사용됩니다. 그것이 원래 모습 그대로 제공될 것이라고 보장할 수는 없습니다. 게다가 최적화 비용도 발생합니다. 시뮬레이션이 완료되었더라도 최종 결과가 잘못되었다면... 우리는 모든 것을 처음부터 다시 시작해야 합니다. 더욱이, 우리가 특정한 지점에서 출발한다고 해도, 최종 설계안이 완성되었습니다. 이 최종 디자인이 보장될 것이라는 보장은 없습니다. 그것이 최적의 설계입니다. 여기에는 여러 가지 문제가 있는 것 같습니다. 당시 저는 인공지능 기반 신약 개발 분야에서 일하고 있었습니다. 단백질 및 신약 개발 관련 연구 및 업무에 종사하고 있습니다. 이 질문을 들었을 때, 제 생각에 이 두 질문은 매우 유사합니다. 2024년 노벨상을 수상할 과학자들 어떻게 이루어졌나요? 다음 페이지를 참조해 주세요. 그들은 매우 비슷한 문제에 직면해 있습니다. 사실 단백질의 구조 또한 매우 복잡합니다. 그것은 다양한 원자를 포함하고 있습니다. 예를 들어 탄소, 수소, 산소 등이 있습니다. 규모는 분자 또는 옹스트롬만큼 작습니다. 그래서, 아주 복잡한 일인데, 과거에는 어떻게 설계되었나요? 방법 또한 매우 유사합니다. 과학자들은 먼저 기존 단백질을 관찰했습니다. 현미경과 같은 장비를 사용하여 검사하십시오. 그런 다음 열역학을 이용하여 반복적으로 시뮬레이션을 수행했습니다. 약간의 수정을 한 다음 다시 관찰해 보세요. 즉, 이처럼 반복적인 과정을 계속해서 반복하는 것입니다. 단백질 설계 분야에서, 이 과학자들이 사용한 방법은 먼저 골격을 만드는 것이었습니다. 즉, 단백질의 기본적인 화학적 골격을 구축하는 것입니다. 그런 다음 그중에서 특정 부분을 선택합니다. 예를 들어, 항체가 항원이나 특정 바이러스에 결합하면, 항체가 접촉하는 핵심 부위만 선택됩니다. 그 부분만 수정하면 됩니다. 다시 말해, 미세 조정을 수반하는 것입니다. 마찬가지로, 광자학 분야에서도 먼저 프레임워크를 구축할 수 있습니다. 그러면 골격의 핵심 부분만 남게 됩니다. 시뮬레이션을 통한 미세 조정. 이것이 실현 가능할까요? 그래서 출력을 얻은 후에는, 이 책에는 좋은 디자인과 나쁜 디자인이 모두 담겨 있습니다. 이 정보 또한 피드백 루프에 다시 투입될 수 있습니다. 앞서 언급한 최적화 결과를 낭비하지 맙시다. 대신, 그렇지 않았다면 낭비되었을 결과물들이 피드백 루프에 활용됩니다. 그것을 다시 순환 과정에 넣어주세요. 이것이 바로 우리가 이러한 아이디어를 떠올리게 된 계기입니다. 단백질 설계 분야에서는 먼저 원하는 단백질 구조를 결정합니다. 또는 목표 기능을 가진 단백질이 있고, 그 목적을 위해... 골격을 설계하면 골격 자체도 생성할 수 있습니다. 필요하다면 아예 처음부터 새로 만들 수도 있습니다. 다음으로, 뼈대에 내용을 채워 넣으세요. 순서를 설계하세요. 마지막으로, 단백질은 피드백을 제공합니다. 설계가 성공적인지 판단하십시오. 저는 광학 분야에도 동일하게 적용된다고 생각합니다. 먼저, 방금 언급한 목적 함수가 있습니다. 그런 다음, 골격이 미리 구축되고 필터링됩니다. 요구 사항을 충족하는 후보 설계안을 확보하십시오. 다음은 제조 단계입니다. 습식 실험과 같은 절차를 완료한 다음, 그로부터 정보를 얻습니다. 이로써 절차가 확립되었습니다. 그래서 제가 박준호 교수님을 설득할 때, 클린룸을 사용하고 싶기 때문입니다. 이 모델의 시뮬레이션은 매우 잘 작동합니다. 하지만 실제 검증 단계에 이르자, 저는 다음과 같은 방법으로 그를 설득했습니다. 나는 그가 볼 수 있도록 단백질 구조를 렌더링해서 보여주었다. 이 물질은 대략 수십만 개의 분자를 포함하고 있습니다. 그것은 원자들이 빽빽하게 배열되어 있는 것을 포함한다. 그래서 나는 그에게 이렇게 말했습니다. "모든 단백질은 딥러닝을 사용하여 구현할 수 있으며, 이 2차원 기판 또는..." 디자인도 굉장히 복잡해 보이네요. 하지만 단백질보다 간단해 보입니다. 그래서 불가능하다고 생각하지는 않습니다. 단백질 수준에서 가능하다면, 불가능할 이유가 없다. " 그를 설득하려고 애쓰면서 나는 그에게 그 사진을 보여주었다. 그는 즉시 실험실을 사용할 수 있다고 말했다. 그리하여 마침내 실제 습식 테스트 단계로 넘어갈 수 있었습니다. 다음 페이지로 넘어가기 전에 간단한 질문 하나 드리고 싶습니다. 우리는 이전에 광자학의 배경 지식을 소개한 바 있습니다. 이제 두 가지 핵심 연구 분야로 넘어가 보겠습니다. 하지만 문제 자체가 아직 명확하게 정의되지 않았는데도 우리는 이미 여기까지 왔습니다. 청중은 이해에 있어 일부 부족한 부분을 느낄 수 있습니다. 그래서 제가 묻고 싶은 것은, 어떤 문제를 해결하려고 하시는 건가요? 궁극적으로 이는 광자학 분야의 현재 문제점을 해결합니다. 방금 논의했듯이, 밀리미터 크기의 구조물을 만드는 방법 충분히 줄어들도록 칩으로의 통합 규모. 예를 들어, 당신은 문제를 더욱 구체적으로 다음과 같은 부분에 집중시켰습니다. MUX 및 DEMUX, 그리고 역공학을 통해 그들은 특정한 장치를 만들었다. 이 부분은 다음과 같이 간주될 수 있습니다. 그것이 그들의 연구의 핵심인가요? 저는 이 페이지가 매우 중요하다고 생각합니다. GPU 및 CPU와 같은 고성능 컴퓨팅 칩의 집적도 1~2년마다 세 배씩 증가합니다. 무어의 법칙을 아주 잘 따르고 있습니다. 하지만 광자학은 그렇지 않습니다. 그 이유는 다음과 같습니다. 제 생각에는 지금까지 돌파구를 마련하지 못했기 때문인 것 같습니다. 물리적 통합의 한계. 저희의 아이디어는 방금 설명드린 바와 같습니다. 이 회로 장치 자체 센티미터 또는 밀리미터 수준입니다. 적분 밀도 문제를 해결하기 위해 역설계 최적화 기법 그것은 필수불가결하다. 따라서 집적 밀도를 향상시키기 위해, 우리는 역설계에 대한 연구를 시작했습니다. 연구 결과는 역공학에도 다음과 같은 장점이 있음을 보여주었습니다... 방금 보여드린 문제점들입니다. 예를 들어, 제조 가능성, 수율, 비용 최적화 등 최적의 설계를 얻지 못할 가능성도 있습니다. 그래서 우리는 이러한 문제들을 해결하기로 결심했습니다. 방금 적분 밀도를 높여야 한다는 말씀을 하셨는데요. 그래서 개선 후에 위에서 언급한 측면들 중에서, 무엇이 개선되고, 무엇이 축소되며, 이전에는 불가능했던 일은 무엇일까요? 지금 이것이 가능할까요? 방금 말씀드렸듯이, 해안선 밀도는 매우 중요합니다. 구리선에도 동일하게 적용됩니다. 만약 같은 웨이퍼에서 만들 수 있다면... 더 넓은 영역에 더 많은 구성 요소를 통합 광자 시스템은 확실히 다중화 및 역다중화가 가능합니다. 해안선 밀도가 그렇게 높지 않더라도, 또한 구리선보다 훨씬 뛰어난 대역폭을 제공할 수 있습니다. 하지만 수가 많을수록, 또한 광자 시스템에 더욱 유리하다는 것도 사실입니다. 광자 시스템은 채널이 많을수록 좋습니다. 필요한 주파수 간격은 그렇게 좁을 필요가 없습니다. 채널 수가 더 증가한다면 광학적 관점에서 볼 때, 이는 필연적으로 더 유리합니다. 예를 들어, DEMUX를 생각해 보세요. 현재의 전통적인 방법을 사용하면, 밀리미터 단위로 정밀하게 작업해야 합니다. 해안선 밀도를 가정하면, 즉, 1mm당 DEMUX 채널은 4개만 가능합니다. 이 경우, 역설계를 통해 필요한 크기로 줄이면... 2~3 마이크로미터, 채널 수는 4개에서 약 200개까지 늘릴 수 있습니다. 이는 해안선 밀도를 증가시킵니다. 결국 모든 게 같은 칩에 달려있는 거죠, 아니, 오히려… 동일한 유형의 공간 내에서 더 높은 대역폭을 얻을 수 있습니다. 대역폭이 동일하더라도 또한 더 높은 품질을 달성하고 손실을 줄일 수 있습니다. 신호를 전송하는 거죠? 네, 이론적으로는 맞습니다. 하지만 광학 분야에서는... 전자 공학에서는 칩 내부에서 설계를 수행할 수 있습니다. 쉽게 상상할 수 있는 동작을 수행하기 위해 논리 등을 추가하세요. 엔지니어링 설계, 하지만 광학에서는 이를 달성하기 위해 물리적 구조를 사용해야 합니다. 이를 구현할 구조를 어떻게 찾을 수 있을까요? 이것이 바로 그들의 연구 주제입니다. 연구 결과에 따르면 동일한 해안선에서 그것이 가능하다는 것입니다. 훨씬 더 높은 대역폭을 달성하기 위해, 육안으로 볼 수 있는 다공성 구조를 만들어냅니다. 이해하기 어려운 구조 저는 이것이 그 두 사람이 진행한 연구라고 알고 있습니다. 자, 김태한 씨, 단백질 이야기로 다시 돌아가 볼까요? 한 가지만 더 덧붙이겠습니다. 제가 방금 언급했던 문제는 바로 이것입니다. 기존의 전통적인 역설계 프로세스가 존재합니다. 우리는 방금 본 것처럼 구멍이 많이 뚫린 형태를 디자인하고 싶습니다. 초소형 기기, 하지만 이는 일종의 무작위적인 잡음이나 중간 지점에서 시작해야 합니다. 시뮬레이션을 기반으로 한 설계. 제가 현재 보고 있는 과정은 시뮬레이션을 기반으로 합니다. 예를 들어, 10개의 후보 디자인을 생성하세요. 그다음에는 실제로 제조하고 테스트하세요. 그중 8개의 성능이 저조하다고 가정하면, 두 개만 제대로 작동하면 나머지 여덟 개는 완전히 제외하십시오. 더 이상의 분석은 진행하지 않겠습니다. 그 두 사람만 남게 될 것입니다. 즉, 좋은 디자인을 얻는다는 뜻입니다. 잘못된 디자인 이후에, 이 디자인에서 얻은 정보는 재사용되지 않습니다. 즉, 모든 시뮬레이션이 실행된 후에는, 최종 디자인이 좋지 않으면 그 모든 계산은 헛수고였다. 우리는 좋은 디자인만 남기기 때문입니다. 하지만 제 생각에는 이런 상황이 계속된다면... 이 분야가 발전하려면 오랜 시간이 걸릴 것입니다. 피드백 루프가 형성되어야 합니다. 게다가 제 생각에는, 컴퓨터 분야에 그런 말이 있지 않나요? 규모가 확대된다면 결국 문제는 해결될 것이다. 광학 기술의 장점은 결과를 검증할 수 있다는 점입니다. 우리는 시뮬레이션을 가지고 있고, 그것을 활용할 수 있습니다. 이 장치가 제대로 작동하는지 확인하십시오. 피드백 루프에 통합하는 건 어때요? 그때 이 아이디어가 떠올랐어요. 앞서 언급한 단백질 분야에서 영감을 받아, 두 가지를 결합하면 좋은 디자인과 나쁜 디자인에 대한 정보를 낭비해서는 안 됩니다. 디자인이 형편없다는 이유만으로 버려서는 안 됩니다. 대신, 좋은 디자인과 나쁜 디자인을 구분합니다. 그것들을 피드백 루프에 넣으세요. 그다음 이 정보를 모델에 입력합니다. 어쩌면 흥미로운 일이 일어날지도 몰라요. 그게 제가 당시에 생각했던 것과 거의 같은 내용입니다. 보시는 바와 같이, 위 내용은 전통적인 절차입니다. 앞서 언급했듯이 디자인 10개 중 8개는 형편없습니다. 기존 절차는 완전히 폐기됩니다. 우리가 개발한 프로세스는... 이 방법은 우수한 디자인만 선택하고 모델이 해당 디자인의 분포를 학습하도록 합니다. 단백질에서 골격을 추출하는 것과 마찬가지로, 광자 장치의 골격을 추출합니다. 이렇게 하면 시작점은 이상한 무작위 노이즈나 중간 지점이 아닙니다. 오히려 그것은 훌륭한 디자인에서 배운 기본적인 틀일 뿐입니다. 쿠키 굽기에 비유하자면, 먼저 틀을 만드는 것과 같습니다. 이러한 방식으로 다시 시뮬레이션을 실행하면 결과가 더 좋아질까요? 그렇게 하면 더 빨리 받을 수 있을까요? 어떻게 하면 더 사용자 친화적인 디자인을 만들 수 있을까요? 이것은 아마도 우리의 추측일 것입니다. 지금 여러분이 보고 계신 것은... 절차는 다음과 같습니다. 하지만 여기에 한 가지 덧붙이고 싶은 말이 있습니다. 김태한 교수가 연구한 단백질을 예로 들면, 이를 검증하기 위해서는 실제로 실험실에서 단백질을 합성해야 합니다. 그런 다음 테스트를 실시하십시오. 하지만 광자학 분야에서는, 시뮬레이션 도구는 매우 정확합니다. 맥스웰 방정식 솔버의 시뮬레이션 조건이 올바르게 설정되었다는 가정 하에. 그 결과는 실제로 제조된 장치의 성능과 일치합니다. 거의 똑같습니다. 전제는 제조 공정에 아무런 문제가 없다는 것입니다. 바로 그 때문에 따라서 우리는 이것이 검증자로서의 역할을 할 수 있다고 믿습니다. 이것이 저희 생각입니다. 실제로 제조된 것이 아니더라도 괜찮습니다. 또는 중간부터만 검증에는 몇 개의 샘플이면 충분합니다. 우리 업계에서 이러한 중간 연결 고리는 강화 학습 환경으로 알려져 있습니다. 이는 보상 신호를 생성하는 강화 학습 환경을 의미합니다. 이러한 환경에 대한 시뮬레이터로서 매우 효율적입니다. 그리고 그것은 거의 완벽히 정확합니다. 즉, 기존 대규모 언어 모델들이 채택한 선순환 구조입니다. 또한 쉽게 작동시킬 수 있습니다. 제가 이해한 바로는 이렇습니다. 제가 정말 매료되었던 점은 바로 이것이었어요. 생물학 분야에서는 단백질 설계가 완료되었다 하더라도, 여건이 허락한다면 임상 시험도 실시해야 합니다. 하지만 그것을 진정한 신약으로 개발하려면 전체 과정은 시간이 오래 걸릴 것입니다. 하지만 여기서는, 설계 및 실제 시뮬레이션 실제 제조량과 실제 생산량의 차이는 매우 작습니다. 따라서 반복 속도가 훨씬 빨라지고 데이터 수집 속도도 빨라집니다. 하지만 저는 왜 이런 종류의 데이터, 즉 빅데이터가 아직 널리 활용되지 않는지 항상 의아했습니다. 운전 방식. 보시다시피, 저희는 ...을 사용하고 있습니다. 조건부 변형 오토인코더 모델, 간단히 말해서, 데이터 분포를 배우는 것에 관한 것입니다. 우리는 대량의 고품질 광자학 데이터를 입력한 후 그러면 모델은 이러한 데이터의 분포를 학습하게 됩니다. 여러분, 왼쪽에 있는 디자인을 보세요. 이는 우리가 제공하는 다양한 광자 매개변수에 해당합니다. 예를 들어 파장 같은 것 말입니다. 또는 입력할 수 있는 다양한 설계 매개변수들이 있습니다. 파장 1과 파장 2와 같은 매개변수가 있다고 가정하면, 이러한 조건에 진입한 후, 만약 우리가 이러한 조건을 충족하는 설계 데이터, 모델이 이러한 데이터와 그 분포로부터 학습하도록 하십시오. 따라서 사진 속 녹색 봉우리는 붉은색 봉우리는 이러한 분포를 나타냅니다. 즉, 광자 데이터를 압축하여 간결한 형태로 나타내는 것입니다. 배우기 위해. 모델 학습이 완료되면... 그런 다음 이 분포에서 무작위로 선택할 수 있습니다. 새로운 디자인을 생성하세요. 이전에는 이 디자인을 생성하기 위해, 시뮬레이션이 생성될 때마다 시뮬레이션 프로그램을 새로 만들어야 합니다... 몇 시간 동안 계속 작동합니다. 하지만 이제 이론상으로는 1초 만에 1만 개의 디자인을 생성할 수 있습니다. 이것이 가능해졌습니다. 이 프레임워크를 사용하면 예전에는 몇 주씩 걸리던 작업이 이제는 훨씬 간편해집니다. 이제 단순히 모델을 실행하는 것만으로 1초 안에 10,000개의 디자인을 생성할 수 있습니다. 결과를 즉시 확인하세요. 적어도 기본적인 틀은 얻을 수 있다. 따라서 소요 시간이 크게 단축되었으며, 그 이점은 속도 향상에만 국한되지 않습니다. 저희는 고품질 디자인만 접수하기 때문입니다. 이렇게 설계된 제품은 제조 또한 매우 쉽습니다. 저희는 처음부터 주로 이러한 유형의 데이터를 학습에 사용해 왔기 때문입니다. 그래서 이런 겁니다. 따라서 우리는 병목 현상이 속도뿐만 아니라 제조 공정에도 있다고 생각합니다. 이것 또한 어느 정도 도움이 될 수 있습니다. 보시는 바와 같이, 이것이 저희 모델이 생성한 기본 프레임워크입니다. 이 cVAE 종자를 시작점으로 사용할 때, 최종 디자인에 더 빠르게 수렴할 수 있습니다. 저희는 고품질 디자인만 접수하기 때문입니다. 기본적인 틀은 이미 출발점으로 제공되었습니다. 이것이 바로 우리가 시연한 더 빠른 수렴 속도입니다. 앞서 언급한 제조 가능성을 살펴보겠습니다. 그림 A에는 두 개의 디자인이 위아래로 배열되어 있습니다. 물론, 우리는 더 많은 테스트를 진행해야 합니다. 하지만 저희 생각으로는, 위의 설계가 제조하기 훨씬 쉽다는 것은 분명합니다. 아래 설계의 섬 구조 때문입니다. 구멍이 뚫린 부분들은 매우 드문드문 분포되어 있다. 제조 과정 중 실수하기는 정말 쉬운 것 같아요. 저희 모델을 사용하여 생성된 디자인 이러한 모든 요소들이 고려되었습니다. 따라서 생성된 결과는 모두 위와 같습니다. 아주 깔끔하고 아름다운 디자인입니다. 이러한 제조 측면과 관련된 어떤 요인도 있을 것입니다. 검증 가능하고 정량화할 수 있는 채점 방식이겠죠? 이렇게 하면 성공 가능성이 크게 높아질 것입니다. 사실 저희는 여기에는 "제조 가능성 지수"라고 명확하게 적혀 있습니다. 본 연구에서는 이 장치의 성능을 조사하고자 합니다. 즉, 품질 요소와 제조 가능성 간의 관계입니다. 상관관계. 따라서 우리는 자체 학습한 cVAE를 사용하여 설계를 생성합니다. 그런 다음 cVAE를 사용하여 장치를 생성하고 시뮬레이션을 수행합니다. 물론 품질은 높아야 합니다. 제조 용이성 또한 높아야 합니다. 다른 무작위 노이즈와 비교한 결과 다른 초기 조건에서 생성된 장치와 비교했을 때. 제조 용이성과 품질 요소가 더 높습니다. 하지만 이 제조 가능성 지수는 구체적으로, 우리는 이를 √A/P로 정의합니다. 그렇게 정의되는 겁니다. A는 실리콘 재료의 면적을 나타냅니다. 실리콘 블록과 실리콘 잉곳의 둘레의 합. 공식이 √A/P이기 때문에, 조각이 많을수록 P는 더 커집니다. 실리콘 섬이 많을수록 전체 둘레가 더 커지기 때문입니다. 이를 바탕으로 우리는 이러한 상관관계를 확립했습니다. 이것들은 우리가 스스로 설정한 기준입니다. 이해하기 쉽도록 설명해 주시겠어요? 어떤 물건의 일종이죠, 그렇죠? 내 눈에는 그 물체가 수정처럼 보였다. 어떻게 제조되나요? 의 작품은 여러 겹의 레이어를 쌓아 올리는 것보다는 전체적인 디자인에 더 중점을 둡니다. 더 정확히 말하면, 에칭이라고 부르는 것이 맞습니다. 실리콘 포토닉 소자가 그 예입니다. 예를 들어, 먼저 실리콘 웨이퍼가 있습니다. 웨이퍼 표면에는 이산화규소 층이 있습니다. 이 산화막 층 위에 실리콘 구조를 제작하기 위해서는, 즉, 장치 구조입니다. 먼저 산화층에 실리콘 층이 증착됩니다. 그러면 EBL이라는 기술이 사용될 것입니다. 실리콘 마스크의 패턴이 그 위에 투영될 것입니다. 증착된 실리콘 층 위에 소자 마스크를 그립니다. 디바이스 마스크를 그린 후, 마스크로 가려진 부분만 남게 됩니다. 나머지는 새겨져 있습니다. 그렇게 이해하는 것도 한 가지 방법입니다. 상향식 접근 방식을 사용하기 때문입니다. 하지만 이것 또한 3차원 구조입니다. 그리고 그것은 겹겹이 쌓여 있는 것처럼 보입니다. 따라서 이러한 구멍들은 포토리소그래피와 유사한 공정을 사용하여 만들어질 것입니다. 그것들을 층층이 쌓아 올려야 할까요? 는 위에서부터 한 번에 완전히 새겨졌습니다. 한 번에 다 끝낸 거야? 네, 그걸 에칭이라고 하죠. 먼저 실리콘 층을 증착합니다. 감광성 레지스트 층을 도포합니다. EBL은 포토레지스트에 패턴을 만드는 데 사용됩니다. 아래쪽은 SiO₂이고 위쪽은 Si입니다. 무늬가 있는 부분은 제거될 것입니다. 그게 전부입니다. 이러한 방식으로 감광성 레지스트(PR)가 보존됩니다. 이 부품들은 우리가 원하는 모습으로 변할 것입니다. 실리콘 소자 마스크. 다음으로 에칭 공정을 진행합니다. 이러한 방식으로 노출된 실리콘은 아래쪽으로 식각됩니다. 그 무늬는 단일한 2차원적 과정을 통해 형성된 것이 아닙니다. 대신, 3차원 공정을 이용한 연속적인 적층을 통해 구현됩니다. 여전히 단 한 평면에서도 완료할 수 있습니다. 저는 그게 궁금해서 질문했어요. 다시 말해, 그 과정이 반복될 것인가? 사실 반도체 역시 여러 층이 쌓여 있는 구조로 되어 있습니다. 회로에도 동일하게 적용됩니다. 그래서…… 이 기기는 한 번에 완성되었습니다. 이 단계를 완료한 다음 다른 층을 쌓는 것이 아닙니다. 오히려 한 번에 완료되는 과정입니다. 생각보다 훨씬 간단합니다. 하지만 이것은 디지털 회로에서 나온 것이 아닙니다. 공학적인 관점에서 보면, 오히려 그 위에 직접 그려진 것이었다. 실물 예술 작품을 제작하는 과정. 준우가 내게 설명했을 때, 다음은 매우 이해하기 쉬운 예시입니다. 마치 폰칸(짭짤한 시럽의 일종) 같아요. 영화 "오징어 게임"에 나오는 폰칸처럼요. 이런 식으로 패턴을 오려내면 안 돼요. 하지만 별 모양이라면 바늘이나 이쑤시개를 사용하세요. 그것을 빼내는 것은 매우 어렵습니다. 정사각형이면 여러 조각으로 자르기가 더 쉽습니다. 이는 이러한 과정으로 이해할 수 있습니다. 별 모양이나 그와 비슷한 모양이 많으면 실수를 하기 쉽습니다. 따라서 목표는 단 한 번의 에칭으로 디자인 패턴을 완전히 제거하는 것입니다. 하지만 이런 패턴을 만들 때는 정확히 똑같은 패턴을 계속해서 만들어내는 것은 불가능합니다. 매번 약간의 차이가 있을 것입니다. 사실 이게 가장 큰 병목 현상이에요. 이는 특히 실리콘 포토닉스 분야에서 두드러지게 나타납니다. 저희는 미시간 대학교 연구실에서 사용했습니다. 장비 자체는, 사양서에는 20nm를 구현할 수 있다고 명시되어 있습니다. 하지만 실제로 20nm 구멍을 그리는 것은, 지름이 정확히 20나노미터인 원형 구멍은 형성되지 않습니다. 때로는 25nm일 수도 있고, 전압에 따라 달라질 수도 있습니다. 15nm가 됩니다. 따라서, 이 디자인이라 하더라도 실제 제조 투입량 완성품은 원래 디자인과 100% 동일하지 않을 수 있습니다. 따라서 실제로는 이러한 장치를 제조할 때, 모양은 약간씩 다를 수 있습니다. 그리고 방금 보셨듯이, 저 구멍들 그것은 파괴적 간섭을 일으키는 데 역할을 하죠, 그렇죠? 따라서, 만약 그 구멍들의 크기나 모양이 변화는 약 30nm에서 50nm 정도 발생합니다. 기기 성능은 필연적으로 저하될 것입니다. 그게 바로 가장 큰 문제예요. 는 올바른 디자인을 찾았고, 그리고 제조 공정의 수율을 관리합니다. 이 두 가지는 별개의 문제로 간주해야 할 것입니다. 저희 연구 프로젝트에 대해서는 나중에 [박준호]에서 소개하겠습니다. 이 제품은 바로 이러한 문제를 해결하기 위해 특별히 설계되었습니다. 즉, 수익률입니다. 그러니까, 제가 방금 말씀드린 것처럼, 원하는 구조가 실제 설계와 다를 수 있습니다. 그러면 기기 성능이 저하될 것입니다. 하지만 실제 제조 후 기기의 성능이 이상적이지 않을 경우, 이런 모양의 장치를 마주했을 때, 사실 어디서부터 시작해야 할지 모르겠어요. 어디를 봐야 할지, 핵심이 무엇인지 모르겠어요. 저는 이 분야에 대해 전혀 직감이 없거든요. 따라서 제조 과정에 차질이 생긴 후... 다시 해야 합니다. 이렇게 하면 자원이 많이 낭비될 것입니다. 그게 바로 우리가 해결하고자 하는 문제입니다. 본론으로 들어가기 전에, 포토닉스의 중요성에 대해 먼저 말씀드리겠습니다... 소통 덕분에, 우리는 광자 소자를 더욱 소형화하는 것을 목표로 하고 있습니다. 축소 과정에서 역설계 기법이 사용되었습니다. 역설계 방식을 채택한 후, 결과는 그다지 직관적이지 않을 것이며, 이러한 방식으로, 디자인 자체가 직관적이지 않다는 점 외에도, 프로세스 주기 또한 매우 길 것입니다. 따라서 이러한 악순환을 해결하기 위해서는 앞서 언급했듯이, 단백질 분야의 피드백 루프에서 영감을 얻어, 설계에는 순환적 접근 방식이 사용됩니다. 결론적으로 제가 방금 요약한 요점은 다음과 같습니다. 설계와 제조는 별개의 두 가지입니다. 디자인이 완성되었다 하더라도 디자인이 아무리 아름답더라도, 제조 과정 중에도 문제가 발생할 수 있습니다. 따라서 제조 공정 자체에도 해결해야 할 문제점이 존재합니다. 제가 이 일을 시작하기 불과 몇 달 전, 당시에는 저는 현재 암 연구 센터에서 세포 관련 연구를 진행하고 있습니다. 저 역시 세포 연구에서 비슷한 영감을 얻었습니다. 세포를 이용한 유사 연구를 진행할 때 우리는 핵심 영역을 파악해야 합니다. 다시 말해, 우리는 무엇을 목표로 삼고 어디를 목표로 삼을지 알아내야 합니다. 당시 우연히 알게 된 방법입니다. 다음 슬라이드에 나와 있는 것이 바로 통합 경사 하강법입니다. 이처럼 복잡한 디자인에 직면하여, 어떤 직책이 가장 중요한가요? 보시는 바와 같이, 이 빨간 점들은 제조 공정을 나타냅니다... 이러한 영역들은 최대한의 인적 노력을 기울여 관리해야 합니다. 최대한의 정밀도로 제조합니다. 모든 디자인을 포함할 수 없기 때문에, 그들은 모든 부분을 완벽하게 해냈습니다. 하지만 특정 분야에서는 세심한 제조 공정이 필요하다는 것이 알려져 있다면... 성능을 유지하기 위해, 이는 제조 공정에 대한 많은 통찰력을 제공할 수 있습니다. 수학적인 예를 들어 설명하자면, 우리는 어떻게 이 정보를 얻을 수 있을까요? 우리가 이 지역을 파괴한다면, 또는, 교란을 가함으로써 실제 시뮬레이션에 사용할 수도 있습니다. 관찰된 지표들은 얼마나 변화했습니까? 결과를 계속 추적한 후 요약할 수 있습니다. 결국 붉은 점들이 모여 있는 모습이 나타날 것입니다. 이러한 사항들은 최종 FOM과 관련이 있습니다. 이 지표는 상당한 영향을 미칠 수 있습니다. 따라서 이러한 부분들은 제조 단계에서 특별한 주의를 기울여야 합니다. 이것이 우리가 얻은 교훈입니다. 따라서 이 두 과정을 결합하면 순환적 설계를 사용하면 신속하게 결과를 얻을 수 있습니다. 또한 심미적으로 만족스러운 디자인을 안정적으로 구현할 수 있습니다. 물론, 그것도 하나의 측면이죠. 기존 디자인의 경우 그리고 아직 제조 단계로 넘어가지 않은 새롭게 완성된 디자인들이 있습니다. 어느 지역인지도 알려주시면 감사하겠습니다. 이 점에 특별한 주의를 기울여야 하며, 두 가지 측면에 대한 정보를 동시에 제공해야 합니다. 제조 공정이 더 빨라질 수 있습니다. 또한 더 신뢰할 수 있습니다. 이것은 다음과 같은 생각에 기반을 두고 있습니다. 우리는 양방향을 동시에 연구했습니다. 하지만 제 생각에는 이 두 사람은 항상 함께 있어야 합니다. 딥러닝 관점에서 핵심 질문은 시스템을 어떻게 훈련시킬 것인가입니다. 그리고 그것을 어떻게 평가할까요? 이 두 가지는 마치 항상 함께 따라다니는 한 쌍의 문제와 같습니다. 좀 더 이야기해 볼까요? 마지막으로 질문과 질의응답 시간을 가지면서 마무리할까요? 이건 실제로 저희 미시간 대학교 웨이퍼 제조 시설에서 생산된 겁니다... 역다중화기. IG를 이용한 추출 후, 우리는 주요 픽셀들을 실제 제작된 제품 위에 겹쳐 보여줍니다. 전자현미경 이미지에서, 이러한 과정을 통해 이 화제의 주제가 생겨났습니다. 이러한 주요 이슈들은 매우 중요한 역할을 합니다. 주파수 분리는 특히 중요합니다. 우리는 또 한 가지 일을 했습니다. 이는 실제 실험을 통해 검증되었습니다. 우리는 이러한 핫스팟에 교란을 가합니다. 또한 중요하지 않은 위치에도 교란을 적용합니다. 대조 샘플을 준비하십시오. 드러나다, 이러한 중요한 영역들이 교란될 때 기기 성능이 크게 저하될 것입니다. 이것이 핵심 결론입니다. 이는 제조 공정의 효율성을 크게 향상시킬 수 있습니다. 현재 ASML과 같은 회사들이 웨이퍼를 검사할 때, 웨이퍼 전체를 스캔합니다. 각 부품에 결함이 있습니까? 각각 개별적으로 확인해야 합니다. 이러한 핵심 픽셀에 대한 정보가 있다면, 경험적 판단에 의한 중요성 판단은 중요한 부분에만 적용될 수 있다. 웨이퍼 전체를 스캔하지 않고도 테스트를 수행할 수 있습니다. 이는 일정 수준의 보호를 보장할 수도 있습니다. 이 기기는 성능이 매우 뛰어납니다. 따라서, 이 품질 관리 단계에서는, 이는 효율성을 크게 향상시킬 수 있습니다. 저희가 제안하는 방향은 광자학이 매우 중요하다는 것입니다. 이 점에 대해서는 모두가 동의합니다. 하지만 다음 단계에서는 빠르게 확장할 것입니다. 고품질 제조를 달성하기 위해서는 데이터 기반 피드백 루프를 구축해야 합니다. 단백질 분야에서 하는 것과 똑같습니다. 다른 사람들이 이러한 관점을 받아들이도록 하기 위해서는, 우리는 앞서 언급한 두 가지 연구를 수행했습니다. 이 피드백 루프가 제대로 작동한다면 광자 기반 제조 공정이 상용화되었습니다. 소요 시간이 상당히 단축될 수 있습니다. 이것이 저희 연구 방향입니다. 같은 분야에서 경쟁하는 연구가 있나요? 제가 아는 한, 실리콘 포토닉스에 종사하는 사람들은 연구 대상자 수 많지 않은 것 같네요. 현재 업계의 관심은 전자 칩 설계에 집중되어 있습니다. 그리고 유사한 분야들. 저는 이 분야가 향후 핵심적인 관심 분야가 될 것이라고 믿습니다. 하지만 아직 참여하는 기업은 많지 않습니다. 연구에 참여하는 교수와 연구실도 매우 적습니다. 저는 두 분도 UC 버클리를 졸업한 후 많은 일을 겪으셨다는 것을 알고 있습니다. 그들은 각각 미시간 대학교와 MIT에 진학했습니다. 현재의 경쟁 구도에 대해 묻는 것은 다소 비즈니스 지향적인 질문이지만 말입니다. 그런데 질문 하나 드려도 될까요? 학문적인 관점에서 보면, 앞서 언급했듯이 여러 기업들이 실리콘 포토닉스에 집중하고 있습니다. 인재 수요가 빠르게 증가하고 있습니다. 하지만 실리콘 포토닉스를 전문으로 하는 연구소들은, 한국에서는 거의 항상 손가락으로 셀 수 있을 정도입니다. 제가 아는 한, 미국에서도 마찬가지입니다. 많아야 30명 정도입니다. 이러한 전문 연구 기관들 중 제조 공정까지 완료할 수 있는 기관은 다음과 같습니다... 거의 없습니다. 더욱이, 실리콘 포토닉스 분야에서 이러한 유형의 AI·ML 방법을 사용하면, 설계 프레임워크 구축에 전념하는 연구소 제가 아는 한, 거의 없습니다. 우리가 이런 유형의 연구를 최초로 수행한 것 같습니다. 하지만 그런 소개를 듣고 나니… 어쨌든 이것은 ASML의 2나노미터 공정 같은 기술은 아닙니다. 상용화가 매우 빠르게 진행될 수 있을 것으로 보입니다. 이 기술의 상용화 계획에 관하여 이 문제는 교수님과도 상의해야 합니다. 이 부분을 고려해 보셨나요? 사실, 저희처럼 광자공학과 AI·ML을 결합한 연구는… 거의 아무도 하지 않는 일이기 때문에 광자학을 연구하는 사람들은 AI·ML을 잘 이해하지는 못하지만 AI·ML을 공부하는 사람들 그들은 광학 자체에 대한 이해도 부족합니다. 따라서 우리의 최첨단 연구는 거의 모두 이러한 맥락에서 이루어집니다. 이 모든 기술은 특허를 받을 수 있는 기술입니다. 각 논문은 다음과 같이 작성되었습니다. 새롭게 제안된 프레임워크 또는 방법 다시 말해서, 두 분이 현재 진행하고 계신 연구는… 사실 ICML 기간 동안, 최근 생물학 분야에 큰 관심을 갖게 되었기 때문입니다. 우리는 많은 이야기를 나눴어요. 지난 에피소드에서도 이 얘기를 농담 삼아 했었죠. 생물학 분야에 종사하는 사람들이 많이 있습니다. 인공지능은 또한 다양한 분야에 적용될 수 있습니다. 물론 알고 있죠. 하지만 이 분야에도 경직되고 융통성이 없는 측면이 있습니다. 이는 태한이 방금 지적한 문제와 매우 유사합니다. 그들은 생물학적 문제는 항상 이런 식으로 처리되어 왔다고 믿습니다. 이렇게 해결되었습니다. 따라서 그들은 대개 자신이 잘 아는 분야에서만 경험을 쌓아가는 경향이 있다. 반면에, 준호와 태한이 그랬던 것처럼, 전통 분야에 종사하는 사람들 새로운 방법을 시도하는 사람들 그들은 비늘을 쓰는 사람들로 불리며 상당한 경멸을 받습니다. 그것들은 규모 지향적이며 위험하다고 불립니다. 하지만 상대편 사람들은 LLM 과정에서 배운 것을 활용할 것입니다... 그리고 이러한 획기적인 발전은 강화 학습 과정에서 이루어졌습니다. 어떤 직감이 떠올랐다. 그들은 완전히 다른 접근 방식을 취했다. 태한과 준호가 지금 뭐라고 말하고 있는 거죠? 이것 또한 소위 "규모 지향적" 범주에 속합니다. 하지만 제가 방금 언급한 cVAE는... 그것은 매우 대규모의 모형이 될 것입니다. 전적으로 맞습니다. 작은 모델이라도 이런 기능을 수행할 수 있습니다. 게다가 그들은 해당 분야에 대한 지식과 인공지능 전문성을 모두 갖추고 있기 때문에... 그러므로 두 가지 직관을 결합하는 것이 가능하다. 기존 연구 분야의 연구자들이 볼 수 없는 것들을 보기 위해서입니다. 저희 생각에는 이러한 혁신은 쉽게 달성할 수 있는 것들입니다. 네, 맞습니다. 이 처음 이 연구를 진행했을 때, 준호에게 물었습니다. 머신러닝 관점에서 볼 때, 이 모델들은 전혀 복잡하지 않습니다. 사용된 모델링 방법은 모두 매우 간단합니다. 우리는 대규모 작전으로 수만 대의 장비를 배치하지 않았습니다. 수백 개의 GPU가 있더라도 실제로 사용되는 것은 몇 개에 불과합니다. 그것으로 훈련 과정을 완료하기에 충분합니다. 교육을 완료하는 데는 약 30분에서 1시간 정도 소요됩니다. 돌이켜보면, 왜 이런 종류의 연구가 이전에는 나오지 않았을까요? 말씀하신 대로 준호 씨의 교수직 임명 또한 드문 경우입니다. 그는 수십 년 동안 이 업계에서 일해왔기 때문에, 그에게 머신러닝에 대해 전혀 몰랐던 사실을 알려주었을 때, 그는 내 또래들보다 훨씬 빨리 정보를 배우고 받아들인다. 그래서 우리도 몇 가지 문제가 있을 수 있다고 생각합니다. 운. 네. 자, 이제 준호 씨를 환영해 주세요. 리진위안과 태한, 이러한 주제들이 논의되고 있습니다. 어떤 관점에서 보면, 예전에 이런 말이 있었습니다. 물리학에서의 업적 20년이 걸릴 것입니다 그래야만 실제로 상업화될 수 있다. 10년에서 15년 전에도 마찬가지였습니다. 하지만 이제, 이 20년의 공백은... 소요 기간이 4~5년으로 단축된 것 같습니다. 연구실에서 새로운 연구 결과를 얻게 되면 새로운 발견, 상용화까지 걸리는 시간 기간이 상당히 단축되고 있는 것으로 보입니다. AI 모델 추가 이것이 바로 이 주기를 단축시키는 원동력인 것으로 보입니다. 두 분 모두 이로 인해 큰 이득을 보실 겁니다. 한 가지 더: 에뮬레이터를 실행할 때 제가 방금 언급한 맥스웰 방정식 해결기는 거의... 거의 완벽에 가까운 정밀도를 달성하며, 규모를 중시하는 사람들의 관점에서 보면, 문제는 사실상 해결된 셈입니다. 좋아요. 시간 문제일 뿐이므로, 우리는 신속하게 상업화 과정을 구축할 수 있을 것입니다. 여러분들이 미래에 회사를 창업할 것 같은 예감이 드네요. 준호가 이 연구를 제게 소개했을 때, 제 생각에는 대역폭 문제가... 요즘 모든 사람들이 전력 소비에 관심을 기울이는 것처럼, 이는 필연적으로 다음 주요 관심사가 될 것입니다. 게다가 대역폭 수요에는 상한선이 없는 것으로 보입니다. 이는 해당 분야에서 필수적인 연구일 뿐만 아니라, 또한 이곳은 없어서는 안 될 산업 기지가 될 것입니다. 감사합니다. 처음에는 그런 방향으로 생각해 본 적이 없었어요. 그들은 전통적인 광자학 분야에서도 연구를 진행하고 있습니다. 그냥 평범한 전화 통화 중이었어요. 논의 과정에서 역설계에 대한 내용이 다뤄졌습니다. 저는 스위스 치즈처럼 생긴 이상한 디자인도 넣었어요. 태한이한테 보여줘. 우리는 곧바로 아이디어가 떠올랐습니다. 또한 이 물질이 단백질에 매우 잘 결합한다는 사실도 밝혀졌습니다. 정말 환상적인 조합이에요. 결국, 그것은 단백질과 광학을 결합한 것이니까요. 하지만 운 좋게도, 그 방법은 아주 잘 통했습니다. 그래서 저희는 줄곧 이 부분을 연구해 왔습니다. 최종 결과는 우리의 예상을 훨씬 뛰어넘었고, 우리조차도 놀랐습니다. 두 분 모두 이제 막 박사 과정을 시작하셨거나, 혹은 이제 막 시작하려는 참일지도 모릅니다. 태한이 방금 자기가 이 분야에 종사해 왔다고 언급했어요. 아직 1년도 안 됐잖아요, 그렇죠? 이렇게 짧은 시간 안에, 이 분야에 대한 당신의 이해도 게다가 아주 빠르게 축적되었습니다. 두 사람이 AI·ML 방법론에 대해 논의했을 때 그들은 같은 견해를 공유하는 것 같습니다. 저는 항상 그것이 단지 용어의 차이일 뿐이라고 생각해 왔습니다. 이처럼 짧은 시간 안에 이 분야의 문제점을 파악했다는 것은 놀라운 일입니다. 먼저, "이 문제는 매우 중요한 문제"라고 판단하십시오. "그렇다면 우리는 관련된 지식을 배워야 합니다." 그렇다면 행동에 나서세요. 이 과정을 어떻게 단축하시는지 궁금합니다. 사실 저는 줄곧 인공지능 연구만 해왔습니다. 저는 현재 생물학 분야에서 일하고 있습니다. 하지만 과학에 인공지능을 적용하는 것은 비록 그 과정들이 서로 다른 분야에 속하더라도, 물론 둘 다 해당 분야에 대한 지식이 필요하지만, 저는 이 둘이 본질적으로 서로 연결되어 있다고 생각합니다. 그러니까 문제는 여기만의 문제가 아닙니다. 예를 들어, 저는 예전에 흥미 삼아 하던 적이 있습니다. 저는 살충제 개발 경험이 있습니다. 저는 새로운 살충제 모델을 구축하려고 시도하면서 이러한 경험을 했습니다. 그 과정은 실제로 매우 유사합니다. 이 아이디어들은 모두 거기에서 비롯되었습니다. 특정 분야를 심도 있게 공부했다면 그 과정은 다른 분야에도 적용될 수 있을 것 같습니다. 둘째로, 저는 광학 분야에 대한 이해가 아직 부족합니다. 저는 아직 배우는 중입니다. 만약 제가 미래에 MIT에 가게 된다면, 저는 앞으로도 다른 연구를 계속 진행할 가능성이 높습니다. 제 주요 연구 분야가 생물학이기 때문입니다. 나는 전문가들과 협력해야 한다는 것을 깨달았다. 광학적인 요소가 관련될 때는 언제나 준호에게 물어봅니다. 그러니 모든 걸 스스로 해야 한다고 생각하는 대신에, 대신 협업 과정에서 서로의 의견을 공유할 수 있습니다. 신속하게 소통하는 것이 훨씬 더 효율적일 수 있습니다. 제 생각에는 이것이 두 가지 핵심 사항입니다. 광자학적 관점에서 저는 다양한 출처에서 얻은 온갖 종류의 정보를 듣고 흡수하는 것을 즐깁니다. 학부 연구 인턴십 기간 동안 저는 UC 버클리의 클린룸에서 근무했습니다. 저는 부품 제조를 많이 해왔습니다. 미시간 대학교에서 첫 학기를 보내는 동안, 저는 클린룸 제조 시설에서도 근무한 경험이 있습니다. 그 반 친구들과 대화하는 동안 저는 광학, 특히 실리콘 광학 분야에서 다음과 같은 사실을 발견했습니다. 제조 공정은 매우 중요합니다. 그러므로 업계 전문가들과 소통하는 한, 분명 몇 가지 문제점이 발견될 겁니다. 결국 완벽한 분야는 없으니까요. 그리고 이러한 문제들 중에서, 제조 공정상의 문제가 계속해서 재발하고 있습니다. 그들은 모두 같은 이야기를 하고 있었어요. 그러므로, 역설계에 대해 연구하던 중, 모두가 제조 공정에 대해 이야기하고 있어요. 매우 불만족스럽고, 수확량도 매우 낮습니다. 그래서 나는 생각하기 시작했다. 수확량을 늘릴 수 있는 방법이 있을까요? 생각에 잠겨 있는 동안 태한이에게 전화를 걸었다. 그는 단백질 과학 분야에서도 비슷한 문제들이 있다고 말했다. 이와 같은 직관에 반하는 문제들도 있습니다. 문제는 이 두 가지를 효과적으로 결합할 수 있느냐는 것입니다. 이 연구는 실제로 그렇게 시작되었습니다. 우선, 해당 업계 사람들과 소통해야 합니다. 제게 그들은 당연히 연구실 동료들입니다. 가능한 한 그들과 많이 소통하세요. 이 산업에서 가장 중요한 문제들을 파악하기 위해 즉, 문제점 파악입니다. 그게 가장 도움이 될 것 같네요. 더 나아가 다른 분야의 프레임워크를 통합하는 방법을 고려해 보십시오. 여기에 지원하세요. 그리고 상응하는 연결고리와 직관을 확립하십시오. 저는 그것도 매우 중요하다고 생각합니다. 두 분의 말씀을 듣고 나니, 하나의 주요 분야에만 집중하기보다는, 다양한 분야에 대한 폭넓은 이해가 필요한 것 같습니다. 더욱이, 이러한 광범위한 분야에서는 한 분야에만 몰두해서는 안 됩니다. 우리는 또한 세 개, 네 개, 심지어 다섯 개의 분야를 다뤄야 합니다. 그들 모두는 일정 수준의 깊이 있는 연구를 수행했습니다. 이러한 지식이 AI, ML 또는 머신러닝 방법론과 결합될 때... 잘 조합하면 종종 좋은 결과를 얻을 수 있습니다. 문제가 신속하고 쉽게 해결되는 단계. 최근 들어 저도 자주... 이러한 현상이 관찰되었다. 진위안 씨, 마지막으로 질문 몇 가지 하시겠습니까? 아니면 하시고 싶은 말씀이 있으신가요? 사실 이건 제가 현재 연구하는 분야에서 아주 뜨거운 주제입니다. 미래는 처음에 언급했던 것과 같습니다. 이제는 단거리 연결에는 구리 케이블이 사용되는 것이 일반적인 관행으로 자리 잡았습니다. 거리가 수 미터를 초과하는 경우에는 광 인터커넥트가 사용됩니다. 현재로서는 이 규칙이 대체로 준수되고 있습니다. 하지만 광 인터커넥트는 지속적으로 더 짧은 거리로 발전하고 있습니다. 그래서 저는 처음에 이 주제에 대해 많이 듣게 될 거라고 생각했습니다. 후반부를 듣게 될 줄은 예상 못 했어요... 하지만 그때 저는 딥러닝 연구에 몰두했을 때 겪었던 것과 비슷한 상황에 직면했습니다. cVAE 같은 모델은 예전에 자주 봤던 것들입니다. 통합 그래디언트도 있습니다. 이는 설명력을 향상시키기 위한 것이기도 합니다. 자주 사용되는 방법 중 하나입니다. 태한이 말했듯이, 이러한 방법들은 이미 생물학 분야에 적용되어 왔다. 이후 이 원리가 실리콘 포토닉스 공정에 적용됩니다. 매우 흥미롭네요. 저는 당신이 아주 좋은 주제를 선택했다고 생각합니다. 이를 통해 저는 분야에 상관없이 인공지능이...라는 사실을 다시 한번 깨달았습니다. 매우 유용하게 사용할 수 있으며 훌륭한 도구입니다. 당시에는 설명력을 향상시키기 위해, 저는 여러 가지 일을 해봤습니다. 그래서 저는 우리가 이러한 방법들을 사용한다면, 이를 다른 방법과 결합하면 더 좋은 결과를 얻을 수 있을 것입니다. 훨씬 더 흥미로운 결과들이 많습니다. 저는 그 음악을 듣는 것을 매우 즐겼습니다. 내용이 훌륭했습니다. 지금까지는 통합 그라디언트를 사용해 왔습니다. 그리고 cVAE 및 기타 모델들을 도구로 활용합니다. 하지만 최근 태한 씨와 저는 다른 연구를 고려하고 있습니다. 이는 지능형 에이전트를 사용하여 연구를 수행하는 것을 포함합니다. 우리는 여전히 지능형 에이전트를 만드는 것을 고려하고 있습니다. 최근 지능형 에이전트가 매우 인기를 얻고 있기 때문입니다. 우리는 인간의 직관에 기반하여 디자인하는 대신에... 차라리 지능형 에이전트에 맡기는 게 나을 겁니다. 이 프로그램이 광자 회로를 설계하도록 하세요. 우리는 우리만의 통합 경사도를 개발할 수 있습니다. cVAE와 같은 프레임워크는 지능형 에이전트를 위한 도구로 제공됩니다. 그런 다음 "이 도구들을 사용해 보세요"라고 말하세요. 광자 회로를 직접 설계해 보세요. " 그래서 저는 최근 지능형 에이전트 분야에 관심을 기울이고 있습니다. 제가 방금 말씀드린 내용을 좀 더 넓은 관점에서 설명해 드리겠습니다. 오늘날, 전 세계의 모든 문제들이 컴퓨팅 성능의 향상을 통해 해결될 수 있는 것처럼 보입니다. 우리가 아직 발을 들여놓지 않은 "알 수 없는 미지의 영역"을 탐험하기 위해서입니다. 대신, 단순히 검색에 컴퓨팅 파워를 투자합니다. 이것이 모든 문제를 해결하는 근본적인 방법론이 되어가는 것 같습니다. 그들 모두 빠르게 결과를 낼 수 있는 것 같습니다. 게다가, 그 두 사람이 광학 같은 문제들을 선택했던 것처럼, 모델에게 모든 것을 처음부터 완전히 맡기는 것이 아닙니다. 오히려 특정 분야에 대한 전문성을 갖추는 것이 중요합니다. 전반적인 방향, 통찰력 및 목표 성공적인 검색을 위해서는 올바른 설정이 필요합니다. 이러한 목표는 때때로 의도 또는 이와 유사한 용어로 불립니다. 의지력이라고도 불립니다. 어느 길로 갈지는 사람들의 결정에 달려 있다. 인공지능이 방향을 제시하고, 구체적인 작업은 인공지능이 처리할 것입니다. 그다음에는 S1과 o1처럼 두 개를 합치세요. 이것은 새로운 연구 분야로 떠오르고 있을지도 모릅니다. 그리고 제품 개발 및 서비스 이것이 제가 생각하는 방법론입니다. 두 분이 방금 공유하신 콘텐츠는 다음과 같습니다. 또한 저희의 기존 프레임워크를 통해서도 완벽한 짝은 제가 큰 도움을 받은 훌륭한 사례입니다. 저도 인공지능 연구를 하고 있기 때문입니다. 제가 생각해 본 것은 인공지능이 프로그래밍만 잘하는 것이 아니라는 점입니다. 그러므로 저는 앞서 언급한 분야 선정의 중요성을 더욱 강하게 느낍니다. 인간은 문제 정의와 같은 작업에는 여전히 매우 능숙하다. 저도 열심히 일했어요. 오늘 우리 얘기가 꽤 오래됐네요. 두 사람 모두 한국인이며 우리 커뮤니티를 통해 기여하기를 희망합니다. 그럼 두 분 모두 감사합니다. 오늘은 여기까지입니다.