메타표면이 변환하는 3D 전자기장 예측을 위한 물리 기반 신경 연산자

초록

본 논문은 3차원 메타표면 구조와 그에 대응하는 전자기장 데이터를 이용해 물리‑정보가 포함된 신경 연산자(Neural Operator)를 학습시킴으로써, 전통적인 FDTD 시뮬레이션 대비 67배 빠른 속도로 3D 전자기장을 고정밀도로 예측하는 서베이어 모델을 제시한다. 5 000개 미만의 학습 샘플만으로도 회절 효율을 3.9 % 오차, 전·자기장 강도는 각각 6.1 %·10.2 % 오차로 재현하며, 미지의 기하학적 변형에도 강인한 일반화 능력을 보인다. 또한, 학습된 모델은 해상도에 독립적인 초해상도 추론이 가능해 기존 데이터보다 높은 공간 해상도의 전자기장을 즉시 생성한다.

상세 분석

이 연구는 메타표면 설계에서 가장 큰 병목인 대규모 전자기 시뮬레이션을 대체할 수 있는 3차원 신경 연산자 프레임워크를 제시한다. 먼저, 저자들은 스토캐스틱 기하학 모델(디스크·스퀘어 패킹, 가우시안 랜덤 필드 기반 익스커션 셋)을 활용해 5가지 구조 시나리오(디스크 전용, 스퀘어 전용, 혼합, 자유형 전용, 자유형+디스크·스퀘어)를 포함하는 1 000 개씩, 총 5 000개의 메타표면 데이터를 생성하였다. 각 구조는 50 nm 격자 해상도로 128 × 128 × 64(≈1 M) voxel의 3D 유전율 분포 ε₃D(r) 로 표현되며, 이를 FDTD(Finite‑Difference Time‑Domain) 시뮬레이션을 통해 전기장 E와 자기장 H를 포함한 전체 전자기장 데이터를 획득하였다.

핵심 모델은 Fourier Neural Operator(FNO)와 같은 최신 신경 연산자 아키텍처를 기반으로 하며, 입력으로 3D 유전율 텐서 ε₃D와 파동 입사 조건을, 출력으로 전체 전자기장 텐서 (E, H)를 반환한다. 물리‑정보는 손실 함수에 Maxwell residual term을 추가함으로써 구현된다. 구체적으로, 예측된 필드가 ∇·(εE)=ρ, ∇×E=−∂B/∂t, ∇·B=0, ∇×H=J+∂D/∂t 등 Maxwell 방정식의 잔차를 최소화하도록 가중치를 부여한다. 이 접근법은 훈련 데이터가 제한적이거나 노이즈가 존재할 때도 물리적 일관성을 유지하도록 유도한다.

학습 과정에서는 4:1 비율로 훈련/검증 데이터를 분할하고, Adam 옵티마이저와 단계적 학습률 스케줄링을 적용하였다. 5 000개 미만의 샘플만으로도 손실이 급격히 수렴했으며, 특히 물리‑정보 손실이 포함된 경우 일반적인 CNN 기반 서베이어 대비 2배 이상의 정확도 향상을 보였다.

성능 평가는 세 가지 측면에서 이루어졌다. 첫째, 회절 효율(0차 및 1차 회절 효율) 예측에서 평균 상대 오차 3.9 %를 기록, 이는 실험적 허용 오차 범위 내에 있다. 둘째, 전기·자기장 강도에 대한 L2‑norm 오차는 각각 10.2 %와 6.1 %로, 전통적인 3D CNN이 15 % 이상을 보이는 것에 비해 현저히 낮다. 셋째, 모델은 훈련에 사용되지 않은 자유형·디스크·스퀘어 혼합 구조에도 높은 정확도를 유지했으며, 이는 연산자가 함수 공간 전반에 걸친 일반화 능력을 갖추었음을 의미한다.

시간 효율성 측면에서는, GPU(예: NVIDIA A100)에서 한 샘플당 추론 시간이 약 0.03 s에 불과해, 동일 조건의 FDTD 시뮬레이션(≈2 s) 대비 67배 가속을 달성했다. 또한, 신경 연산자는 입력 해상도와 무관하게 학습된 가중치를 재사용해 2배·4배 고해상도(100 nm, 25 nm 격자) 전자기장을 즉시 생성할 수 있었으며, 이는 전통적인 멀티그리드 FDTD와 달리 추가적인 재학습 없이 가능했다.

한계점으로는(1) 현재는 정적(선형) 파동 상황에 국한되어 있어 비선형·비정상 파동이나 광학 손실을 포함한 복합 재료 모델링에는 추가 연구가 필요하고, (2) 메타표면의 금속성 재료나 복잡한 다층 구조에 대한 확장은 아직 검증되지 않았다. 향후 연구에서는 이러한 비선형·다층 시스템에 대한 물리‑정보 손실을 확장하고, 역설계(gradient‑based inverse design) 파이프라인에 직접 연동하는 방안을 모색할 수 있다.