인공 신경망은 현대 인공지능의 기반이지만, 모델 크기가 커짐에 따라 확장성, 에너지 소비, 하드웨어 효율성의 도전에 직면한다. 광자(photonic) 기반 접근은 빛의 병렬성 및 낮은 열적 부담을 활용함으로써 매력적인 대안을 제공하지만, 많은 구현은 여전히 복잡한 소자 제작이나 공학적으로 설계된 비선형성을 요구한다. 극한 학습 기계(extreme learning machines, ELMs)는 입력-은닉층 매핑을 고정하고 선형 출력층만 학습함으로써 이러한 패러다임을 단순화하여, 물리적 구현과의 호환성이 매우 높다. 여기서는 펨토초–피코초(초단위 시간범위) 스케일에서 본질적으로 동작하는 널리 채택된 펌프-프로브(pump–probe) 기법인 초고속 과도 흡수(transient absorption, TA) 분광에 기반한 광자 ELM(PELM) 프레임워크를 도입한다. 이 시스템에서는 입력을 여러 프로브 편광 채널을 통해 인코딩하며, 각 채널은 펌프-프로브 지연(pump–probe delay)으로 매개변수화된다. 그 결과로 얻어지는 TA 스펙트럼 응답은 픽셀화된 변조기나 나노제작 없이도 고차원 비선형 특성을 제공한다. 준-1차원(quasi-1D) ZrSe3 나노리본을 사용하여 비선형 회귀, 나선 분류, 이미지 인식에 걸친 과업의 다양성이 입증된다. 이 접근은 Iris 데이터셋에서 거의 완벽한 정확도를 달성하고, MNIST 필기체 숫자에서도 견고한 성능을 보이며, 물리적 연산을 위한 TA 기반 인코딩의 잠재력을 강조한다. 이러한 결과는 초고속 TA 분광을 실험적으로 접근 가능한 플랫폼으로 정립하고, 향후 초고속·에너지 효율적인 광자 학습 시스템을 위한 기반을 마련한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.