난산 조직에서 회절각운동량 디코딩을 위한 푸리에 도메인 딥러닝

초록

본 논문은 다중 산란이 심한 조직 유사 매질에서도 라그루아르-가우시안(OAM) 빔의 위상 토폴로지를 정확히 판별하기 위해, 각도 푸리에 변환(AFT)을 전처리 단계로 도입한 VortexNet이라는 딥러닝 분류기를 제안한다. 실험 및 몬테카를로 시뮬레이션을 통해 광학 깊이 z/l* 가 0부터 16까지 변화하는 전 범위에서 ℓ = 5까지의 토폴로지 전하를 100 % 정확도로 복원함을 보였으며, 전통적인 간섭·회절 기반 방법이 완전히 실패하는 상황에서도 각도 도메인 특징을 활용해 강인한 성능을 유지한다.

상세 분석

VortexNet은 기존 CNN이 이미지의 전역적인 공간 패턴에 의존하는 한계를 극복하기 위해, 입력된 강도 혹은 간섭 이미지에 각도 푸리에 변환(AFT)을 적용한다. AFT는 원형 좌표계에서 ϕ(azimuthal) 방향의 주파수 성분을 추출함으로써, 다중 산란으로 인해 무작위화된 스펙클 패턴 속에서도 OAM 빔 고유의 ℓ‑대칭성을 보존한다는 물리적 가정을 활용한다. 변환 후 얻어진 각도 스펙트럼은 1‑D 주파수 벡터 형태가 되며, 이를 2‑D 형태로 재구성해 전통적인 컨볼루션 레이어에 입력한다. 네트워크는 깊이 5개의 컨볼루션 블록과 풀링, 배치 정규화를 거쳐 최종 전역 평균 풀링 후 완전 연결층으로 ℓ = 0~5 클래스를 분류한다.

학습 과정에서 데이터 증강으로 무작위 회전과 크롭을 적용해 회전 불변성을 강화했으며, 손실 함수는 교차 엔트로피를 사용해 클래스 불균형을 최소화했다. 실험 결과는 네 단계의 광학 깊이 구간(준-볼리스틱, 고리‑흐림, 와류‑메모리, 완전 확산)에서 모델의 특성 맵을 Integrated Gradients(IG)로 시각화함으로써, 네트워크가 입력 이미지의 어떤 부분을 의사결정에 활용하는지를 정량적으로 확인했다.

특히, ℓ = 5와 같은 고차 모드가 가장 높은 정확도를 유지하는 현상은 고차 위상이 스펙클 필드에 더 뚜렷한 각도 주파수 성분을 남긴다는 최근 연구와 일치한다. 이는 다중 산란이 위상 정보를 완전히 소멸시키지 못하고, ‘위상 기억(phase memory)’이라는 형태로 각도 도메인에 잔존함을 의미한다. 반면 ℓ = 1~3은 중간 깊이( z/l* ≈ 6.5)에서 정확도가 급락하는데, 이는 고리‑흐림 구간에서 전방 산란광이 감소하면서 각도 대칭성이 약해지기 때문이다.

한계점으로는 데이터셋이 ℓ = 05의 6가지 클래스에 국한되어 있어, 실제 통신 시스템에서 요구되는 수십수백 개의 채널을 포괄하기엔 부족하다. 또한, 실험에 사용된 조직 모델은 정적이고 균질한 입자 분포를 가정했으며, 흐름성 조직이나 비등방성 산란 환경에 대한 검증은 이루어지지 않았다. 향후 연구에서는 시간‑변화형 스펙클 시퀀스를 포함한 동적 데이터와, 파동전면 조형(wavefront shaping) 혹은 적응 광학과 결합한 하이브리드 시스템을 구축해 깊은 조직에서도 실시간 OAM 복원을 목표로 할 수 있다.

요약하면, VortexNet은 각도 푸리에 도메인이라는 물리 기반 전처리를 딥러닝에 결합함으로써, 전통적인 광학 방법이 포기하는 다중 산란 환경에서도 OAM 토폴로지를 신뢰성 있게 디코딩한다는 새로운 패러다임을 제시한다. 이는 고속·고용량 OAM 다중화 통신, 조직 깊이 영상 대비 향상, 그리고 위상‑기반 센싱 등 다양한 응용 분야에 중요한 전진을 의미한다.