금속 두께와 SPP 전파 예측을 위한 병렬 캐스케이드 신경망

초록

본 논문은 금속‑유전체 계면에서의 표면 플라스몬 폴라리톤(SPP) 전파 특성을 금속 두께와 입사 파장에 따라 예측하기 위해, 두 개의 피드포워드 신경망을 계단식으로 연결한 캐스케이드 구조를 제안한다. 첫 번째 네트워크가 파장 λₛₚₚ을 예측하고, 이를 ω‑validation(푸리에 변환 기반)으로 검증한 뒤 두 번째 네트워크에 전달해 전파 길이 Lₛₚₚ을 추정한다. 학습 과정은 OpenMP 기반의 공유 메모리 병렬화로 구현해 훈련 시간을 크게 단축하였다. COMSOL을 이용해 400‑700 nm 파장과 36‑128 nm 두께 범위에서 얻은 시뮬레이션 데이터를 학습에 사용했으며, 실험 결과 제안된 구조가 높은 예측 정확도와 효율성을 보임을 확인하였다.

상세 분석

이 연구는 SPP 전파 현상을 물리‑수치 시뮬레이션과 데이터‑드리븐 모델링을 결합한 점에서 의미가 크다. 먼저 금속‑유전체 단일 인터페이스를 선택해 복잡성을 최소화하고, COMSOL 멀티피직스에서 3D 맥스웰 방정식을 풀어 얻은 λₛₚₚ·Lₛₚₚ 데이터를 학습에 활용한다는 점이 실험 설계의 강점이다. 제안된 캐스케이드 NN은 두 개의 FFNN(IIIa‑IVa, IIIb‑IVb)으로 구성되며, 첫 번째 FFNN이 λₛₚₚ을 예측하고, 그 출력이 ω‑validation 모듈을 통과해 신뢰성을 판단한다. ω‑validation은 가우시안 윈도우를 적용한 푸리에 변환으로 출력 스펙트럼의 최대·최소값(M, m)을 계산해 허용 영역을 사전에 학습된 기준과 비교한다. 이 과정은 오류 전파를 억제하고 두 번째 FFNN이 Lₛₚₚ을 학습할 때 잡음이 섞인 데이터를 배제하도록 설계되었다.

학습 알고리즘은 Levenberg‑Marquardt 기반의 경사 하강법을 사용해 가중치를 업데이트한다. 여기서 중요한 점은 OpenMP를 이용한 비동기식 병렬 학습이다. 기존 캐스케이드 NN은 단계별 학습이 순차적으로 진행돼 시간 소모가 크지만, 본 논문은 각 레이어와 ω‑validation을 독립 스레드로 포크하고, 필요 시 배리어를 삽입해 동기화함으로써 CPU 코어를 효율적으로 활용한다. 실험에서는 8‑10개의 코어를 사용해 훈련 시간을 60 % 이상 단축한 것으로 보고된다.

구조적 측면에서 첫 번째 FFNN은 10개의 tansig 뉴런(1층)과 7개의 logsig 뉴런(2층)으로, 두 번째 FFNN은 8개의 tansig 뉴런과 5개의 logsig 뉴런으로 구성돼 있다. 이러한 비교적 얕은 네트워크 선택은 과적합 위험을 낮추면서도 충분한 표현력을 확보한다는 설계 의도가 엿보인다. 그러나 논문에 제시된 성능 지표는 평균 절대 오차(MAE)와 결정계수(R²) 정도에 국한돼 있어, 다른 모델(예: 심층 CNN, GPR)과의 비교가 부족하다. 또한 데이터셋이 시뮬레이션 기반이므로 실제 실험 데이터에 대한 일반화 능력은 검증되지 않았다.

전반적으로 물리 기반 시뮬레이션 데이터와 캐스케이드 NN을 결합하고, OpenMP를 통한 병렬 학습으로 실용성을 높인 점은 긍정적이다. 다만 검증 절차가 복잡하고, ω‑validation 파라미터(σ, Δτ)의 자동 튜닝 메커니즘이 구체적으로 설명되지 않아 재현성에 어려움이 있을 수 있다. 향후 연구에서는 실제 측정 데이터와의 교차 검증, 다른 머신러닝 모델과의 베이스라인 비교, 그리고 GPU 기반 병렬화와 같은 확장성을 탐색할 필요가 있다.