딥러닝 기반 고주파 전자기 노출 평가를 위한 하이브리드 필드 재구성

초록

본 논문은 30 GHz 대역의 5G 안테나에서 초근거리(IPD) 전력을 정확히 평가하기 위해, 전통적인 평면파 전개(PWEM)·역소스(ISM) 알고리즘으로 얻은 초기 전계값을 Residual U‑Net으로 정제하는 하이브리드 프레임워크를 제안한다. 전파 시뮬레이션 기반 2,280개의 안테나 데이터셋을 활용해 독립·혼합 학습 전략을 비교하고, 측정 거리·샘플 밀도·프로브 오차·노이즈 등 실험적 불확실성에 대한 민감도 분석을 수행하였다. 테스트에서 전계 평균 상대오차 4.57 %, IPD 평균 상대오차 2.97 %를 달성하였다.

상세 분석

이 연구는 고주파(30 GHz) 5G 장치의 초근거리 전자기 노출을 정량화하기 위해 두 단계의 복합 접근법을 설계하였다. 첫 단계에서는 기존 전자기 이론에 기반한 평면파 전개(PWEM)와 역소스 방법(ISM)을 이용해 측정면(22 mm)에서 평가면(2 mm)으로 전계 데이터를 전파한다. PWEM은 2‑D FFT와 전파 연산자를 통해 스펙트럼을 이동시키는 방식이며, ISM은 등가 전류를 구해 전장을 재구성한다. 두 방법 모두 고주파에서 발생하는 급격한 감쇠와 측정 잡음에 민감해 조건수가 크게 증가하는 ill‑conditioned 문제에 직면한다.

두 번째 단계에서는 이러한 물리 기반 초기값을 입력으로 받아, Residual U‑Net(R‑U‑Net) 구조가 잔차 학습을 통해 정밀한 전계 분포를 예측한다. R‑U‑Net은 4개의 다운샘플링·업샘플링 블록으로 구성되며, 각 블록은 컨볼루션‑배치정규화‑ReLU와 스킵 연결을 포함한 잔차 경로를 갖는다. 이는 깊은 네트워크에서 발생할 수 있는 기울기 소실을 방지하고, 초기값과 정답 사이의 구조적 차이를 효율적으로 학습하게 한다.

데이터셋은 전파 전산 솔버(Full‑Wave)로 생성된 2,280개의 안테나 구성(패치 어레이·직사각형·헐니)과 275개의 테스트 샘플을 포함한다. 각 안테나는 무작위 포트 Excitation과 기하학적 파라미터 변동을 통해 다양한 방사 패턴을 제공한다. 학습 전략은 (1) 독립 학습(각 안테나 종류별 별도 모델)과 (2) 혼합 학습(전체 데이터를 하나의 모델에 통합)으로 구분하였다.

실험 결과, PWEM·ISM 단독 사용 시 평균 상대오차가 각각 약 8 %~9 % 수준에 머물렀으나, R‑U‑Net으로 정제한 후에는 전계 재구성 오차가 4.57 %로, IPD 오차는 2.97 %로 크게 감소하였다. 특히 혼합 학습 모델은 새로운 안테나 형태에 대한 일반화 능력이 뛰어나, 독립 학습 대비 0.5 %~1 % 정도의 오차 상승만을 보였다. 재구성 거리(측정면과 평가면 간 거리)와 샘플링 밀도에 대한 민감도 분석에서는, 거리 증가가 오차를 약 1.2 % 정도 악화시키고, 샘플링 포인트를 64→256으로 늘릴 경우 오차가 0.8 % 감소함을 확인했다.

불확실성 요인에 대한 추가 실험에서는 프로브 위치 오차(±0.5 mm), 프로브 간 상호 결합, 그리고 가우시안 잡음(SNR = 30 dB) 등을 적용하였다. 결과는 프로브 위치 오차가 전체 오차에 가장 큰 영향을 미쳐 평균 RE를 1.3 % 상승시켰으며, 상호 결합과 잡음은 각각 0.6 %·0.4 % 정도의 추가 오차를 유발했다. 이러한 정량적 평가를 통해 제안된 프레임워크가 실험적 제약이 있는 초근거리 측정 환경에서도 견고하게 동작함을 입증하였다.

전반적으로, 물리 기반 초기값을 딥러닝으로 보정하는 하이브리드 접근법은 전통적인 전자기 역문제 해결의 수치적 불안정성을 완화하고, 실시간 혹은 준실시간 노출 평가에 필요한 정확도를 제공한다는 점에서 5G·6G 시대의 RF 안전 규제 적용에 실용적인 솔루션으로 평가된다.