물리 기반 신경망을 활용한 전자기 역산산 문제 해결

초록

본 논문은 수집된 산란 전자기 데이터와 물리 법칙을 직접 손실 함수에 결합한 물리‑구동 신경망(PDNN)을 제안한다. 데이터‑기반 학습이 필요 없으며, 반복적인 업데이트 과정에서 예측된 물체의 유전율 분포를 물리적으로 일관되게 개선한다. 또한 초기 U‑Net 결과를 이용해 실제 물체가 존재하는 서브 영역을 자동으로 식별함으로써 계산 비용을 크게 절감한다. 실험과 시뮬레이션에서 고대비·손실성 물체까지 높은 재구성 정확도와 안정성을 보였다.

상세 분석

이 연구는 전자기 역산산(ISM) 문제를 해결하기 위해 ‘물리‑구동 신경망(PDNN)’이라는 새로운 프레임워크를 도입한다. 기존의 데이터‑기반 딥러닝 접근법은 대규모 학습 데이터와 일반화 한계에 의존했지만, PDNN은 오직 측정된 산란 전자기장과 물리 방정식(상태 방정식·데이터 방정식)만을 입력으로 사용한다. 핵심 아이디어는 손실 함수를 세 부분으로 구성하는데, 첫 번째 항 L Data는 실제 측정 산란장과 예측된 산란장 간의 L1 차이를 최소화한다. 두 번째 항 L Bound은 상대 유전율의 실수부가 1보다 작아지는 것을 방지하기 위해 ReLU(1‑Re{ε̂})를 적용해 물리적 하한을 강제한다. 세 번째 항 L TV는 전체 변동(total variation) 정규화로 해상도와 잡음에 대한 강인성을 제공한다. α와 β 하이퍼파라미터는 데이터 항과 정규화 항 간의 균형을 조절한다.

네트워크 구조는 3개의 컨볼루션 레이어와 3개의 Residual 블록, 그리고 2개의 완전 연결 레이어로 이루어져 있다. ReLU와 LeakyReLU 활성화 함수를 사용해 비선형 매핑 능력을 확보하고, 입력·출력 모두 실수와 허수 두 채널을 포함해 손실이 있는 유전율도 처리한다. 학습 과정은 매 반복마다 현재 예측 ε̂에 대해 MoM(Method of Moments)으로 산란장을 재계산하고, 손실을 역전파해 가중치를 업데이트한다. 이때 전체 반복 횟수는 전통적인 비선형 ISP 솔버와 비슷하지만, 가중치 업데이트가 물리적 제약을 직접 반영하므로 지역 최소에 빠질 위험이 감소한다.

계산 효율성을 위해 서브 영역 식별 절차를 도입한다. 초기 U‑Net 기반 추정치를 이용해 평균·표준편차 기반 임계값을 설정하고, 형태학적 닫힘·팽창 연산을 거쳐 물체가 존재할 가능성이 높은 영역(B Dilation)을 정의한다. 이 영역만을 MoM 계산에 사용함으로써 격자 수를 크게 줄이고, 전체 실행 시간을 현저히 단축한다.

실험에서는 4 GHz, 0.15 m × 0.15 m 영역을 64 × 64 격자로 discretize하고, 36개의 송신·수신 안테나 배열을 사용했다. 사각형, 두 개의 인접 원, 링 구조 등 네 가지 고대비·손실성 시나리오에서 PDNN은 기존 Born‑Iterative, DBIM, DeepNIS 등과 비교해 상대 오차가 10 % 이하로 감소하고, 특히 경계와 내부 구조 복원에서 눈에 띄는 개선을 보였다. 또한 실험실 측정 데이터에서도 잡음에 강인한 재구성을 달성했다.

이 논문의 주요 강점은 (1) 데이터 의존성을 완전히 배제하고 물리 법칙만으로 학습한다는 점, (2) 손실 함수에 물리적 하한·총변동 정규화를 포함해 해의 물리적 일관성을 보장한다는 점, (3) 서브 영역 식별을 통한 계산량 감소이다. 한계점으로는 MoM 재계산 비용이 여전히 반복마다 발생한다는 점과, 초기 U‑Net 결과에 의존하는 서브 영역 탐지가 매우 복잡한 형태에서는 부정확해질 가능성이 있다는 점을 들 수 있다. 향후 연구에서는 더 효율적인 전방 해석(예: FFT‑기반 빠른 전파 해석)과 적응형 서브 영역 업데이트를 결합해 실시간 적용성을 높일 여지가 있다.