테라헤르츠 펄스 형성을 위한 회절면 기반 딥러닝 네트워크

초록

본 논문은 딥러닝과 파동광학을 결합한 회절 네트워크를 이용해 테라헤르츠 광대역 펄스를 원하는 파형으로 직접 변조한다. 패시브 회절층을 설계·제작하여 입력 펄스의 스펙트럼 진폭·위상을 동시에 제어함으로써 다양한 폭의 정사각형 펄스를 구현하고, 모듈식 물리적 전이학습을 통해 네트워크 일부만 교체해 펄스 폭을 손쉽게 조정한다.

상세 분석

이 연구는 기존 테라헤르츠 펄스 성형 방식이 주로 전자기적 변조기(예: 광전 스위치, 전자기 파라미터 가변 소자)에 의존하는 반면, 회절면 기반의 수동 구조를 이용해 광학적으로 직접 스펙트럼을 조작한다는 점에서 혁신적이다. 저자들은 먼저 입력 펄스의 복소 스펙트럼 S_in(ω)=A_in(ω)·e^{jφ_in(ω)} 를 목표 스펙트럼 S_target(ω) 로 매핑하는 복소 가중치 함수를 학습한다. 이 함수는 전통적인 푸리에 변환 기반 설계와 달리, 다층 회절면을 연속적으로 전파시키는 파동 전파 모델을 역전파에 적용해 최적화한다. 각 회절면은 2‑D 이진(또는 다중 레벨) 위상/진폭 패턴을 갖으며, 전파 시점에서 전자기 시뮬레이션(FDTD/RCWA) 대신 근사 전파 연산(전단 파동 전파)으로 미분 가능하게 구현한다. 이렇게 하면 네트워크 전체가 하나의 연속적인 전파 연산 그래프가 되며, 손실 함수 L=∥S_out(ω)−S_target(ω)∥^2를 최소화하도록 경사 하강법이 수행된다.

실험에서는 0.1–1 THz 대역의 펄스를 0.5 ns, 1 ns, 2 ns 폭의 정사각형 파형으로 변환하였다. 각 파형에 대응하는 회절층은 3 mm 두께의 폴리머 기판에 3D 프린팅/광리소그래피로 제작되었으며, 측정된 스펙트럼 진폭과 위상은 시뮬레이션 예측과 95 % 이상 일치하였다. 특히, 위상 변조가 진폭 변조와 동시 수행됨으로써 전통적인 필터링 방식보다 높은 변조 효율과 낮은 삽입 손실을 달성했다.

또한, “레고식 물리적 전이학습” 개념을 도입해 기존 네트워크의 일부 층을 새로운 목표 파형에 맞게 재학습된 회절층으로 교체하였다. 이 방법은 전체 네트워크를 재설계할 필요 없이 모듈만 교체함으로써 펄스 폭을 연속적으로 조정할 수 있게 하며, 실시간 혹은 반실시간 시스템에 적용 가능성을 시사한다.

핵심 인사이트는 (1) 회절면을 통한 복소 스펙트럼 직접 조작이 가능함, (2) 딥러닝 기반 역설계가 물리적 제약(제조 가능성, 손실 등)을 자동으로 고려한다는 점, (3) 모듈식 전이학습을 통해 시스템의 확장성과 재구성이 용이하다는 점이다. 이러한 접근은 테라헤르츠 통신에서 채널 프리코딩, 초고속 이미징에서 펄스 압축, 분광학에서 맞춤형 스펙트럼 필터링 등 다양한 응용 분야에 즉시 활용될 수 있다.