다중모드 섬유 제어를 위한 경쟁 신경망 기반 비선형 시스템 제어

초록

본 논문은 입력‑출력 관계가 비선형이고 측정이 불완전한 물리 시스템에 대해, 입력을 직접 설계할 수 있는 경쟁적(Generator‑Discriminator) 신경망 구조를 제안한다. 멀티모드 광섬유(MMF)를 대상으로 강도‑전용 출력만을 이용해 원하는 영상을 90 % 수준의 충실도로 투사함으로써, 전통적인 위상·진폭 전측정 방식과 동등한 성능을 보이며, 시스템 변화에도 자동으로 적응한다는 장점을 입증한다.

상세 분석

이 연구는 “입력‑출력 역문제”를 풀기 위해 기존의 지도학습 방식이 갖는 ‘라벨 부재’ 문제를 창의적으로 회피한다. 저자들은 두 개의 서브 네트워크, 즉 입력을 생성하는 Generator(G)와 시스템의 전방 전달을 모사하는 Discriminator(D)를 동시에 학습시키는 구조를 도입한다. D는 실제 광섬유를 통과한 강도 패턴을 입력‑출력 쌍으로 학습해 전송 행렬 역할을 수행하고, G는 D가 만든 가상 전파 모델을 통해 역전파된 오류를 최소화하도록 입력(즉, SLM 위의 위상/진폭 패턴)을 조정한다. 이 과정은 조건부 GAN(Conditional GAN)과 유사하지만, 여기서는 ‘실험적 출력’ 자체가 손실 함수의 목표가 되며, G가 직접적인 라벨을 필요로 하지 않는다.

핵심 기술적 기여는 다음과 같다. 첫째, 강도‑전용(phase‑free) 측정만으로도 충분히 정확한 전방 모델 D를 학습할 수 있다는 점이다. 이는 복잡한 인터페로메트리 장치를 배제하고, 저비용 광학 실험 구성을 가능하게 한다. 둘째, G와 D의 협업 학습을 통해 시스템이 시간에 따라 변동(기계적 진동, 파워 드리프트 등)하더라도 실시간으로 보정한다. 저자들은 전송 행렬을 한 번만 측정해 가상 전파에 활용하거나, 매 학습 라운드마다 재측정해 동적 보정을 수행함으로써, 전통적인 전송 행렬 기반 방법이 요구하는 지속적인 재측정 부담을 크게 낮춘다.

실험에서는 75 cm 길이, 코어 직경 50 µm, NA 0.22인 그레이디언트 인덱스 MMF를 사용하였다. 입력은 488 nm, 532 nm, 633 nm 세 파장의 연속 파를 각각 단일 모드 섬유를 통해 전달하고, 위상‑전용 SLM으로 변조한다. 출력은 4‑f 시스템으로 카메라에 투사되며, 강도 이미지만을 수집한다. 네트워크는 EMNIST 라틴 알파벳(그레이스케일) 데이터를 목표 이미지로 학습했으며, 학습된 모델을 그대로 사용해 손글씨, 자연 풍경 등 전혀 보지 못한 이미지까지도 80‑90 % 수준의 충실도로 재현한다. 복잡도가 높은 자연 장면에서도 복소수 입력(위상‑진폭)과 진폭‑전용 입력을 각각 실험했으며, 복소수 입력이 더 빠른 수렴과 높은 품질을 제공한다는 점을 확인했다.

또한, 학습 수렴 속도와 반복 횟수를 정량화한 결과, 복소수 솔루션은 1‑2 회 반복으로 높은 충실도에 도달하는 반면, 진폭‑전용 솔루션은 약 5 회 반복이 필요했다. 이는 실제 시스템에서 사용 가능한 변조 장치(phase‑only SLM vs. amplitude‑only DMD)의 제약을 고려한 실용적인 설계 지표가 된다. 마지막으로, 단일 네트워크(입력‑출력 직접 매핑)와 비교했을 때, 두 서브 네트워크 구조가 훨씬 높은 투사 품질을 제공함을 실험적으로 입증하였다. 이는 D가 전방 전파를 정확히 모델링함으로써 G가 즉각적인 피드백을 받아 최적 입력을 찾을 수 있기 때문이다.

전반적으로 이 논문은 “입력 설계”라는 역문제를 해결하기 위한 새로운 패러다임을 제시한다. 비선형·불완전 측정 시스템에 대해, 라벨이 없는 상황에서도 경쟁적 신경망을 활용해 실시간, 고충실도 제어가 가능함을 입증했으며, 특히 광학 분야에서 위상 정보를 포기하고도 전송 행렬 수준의 성능을 달성할 수 있음을 보여준다.