MXene 기반 메타서페이스 스펙트럼 예측을 위한 다채널 정밀화와 Savitzky Golay 평활화

초록

본 연구는 64×64 픽셀 메타서페이스 디자인으로부터 102점 흡수 스펙트럼을 예측하는 딥러닝 모델을 제안한다. 사전 학습된 MobileNetV2를 전이학습하고, 다채널 스펙트럼 정밀화(MCSR) 모듈과 Savitzky‑Golay 평활화 필터를 결합해 고주파 노이즈를 감소시켰다. 실험 결과, 기존 CNN 및 변형 CNN 대비 평균 RMSE 0.0245, R² 0.9578, PSNR 32.98 dB를 달성했으며, 파라미터 수는 2.93 M으로 효율적인 추론 속도를 유지한다.

상세 분석

이 논문은 메타서페이스 기반 MXene 흡수체의 전자기 스펙트럼을 전통적인 전파 해석(FDTD, FEM, RCWA) 대신 데이터‑드리븐 방식으로 예측하는 새로운 프레임워크를 제시한다. 핵심 아이디어는 세 가지 요소의 시너지이다. 첫째, ImageNet으로 사전 학습된 MobileNetV2를 전이학습함으로써 제한된 데이터셋(500개의 설계, 각 64×64 회색 이미지)에서도 강력한 공간 특징을 추출한다. MobileNetV2는 깊이별 확장 계수와 선형 병목 구조를 갖추어 파라미터 효율성이 높으며, 1028차원의 피처를 512차원으로 압축한 뒤 최종 102차원 스펙트럼 벡터로 변환한다.

둘째, MCSR 모듈은 1차원 컨볼루션을 두 단계로 구성한다. 첫 번째 레이어는 단일 채널 출력을 5채널로 확장해 다양한 스케일의 주파수 패턴을 동시에 학습하게 하고, 두 번째 레이어는 이 다채널 정보를 다시 하나의 스펙트럼으로 통합한다. 이러한 다채널 처리 구조는 기존 2D CNN이 놓치기 쉬운 미세한 피크와 급격한 변화를 포착하도록 설계되었으며, 실험에서 스펙트럼 해상도와 피크 위치 정확도가 현저히 개선된 것을 확인할 수 있다.

셋째, Savitzky‑Golay 평활화는 MCSR 출력에 적용되어 고주파 노이즈를 억제한다. 윈도우 길이 11, 다항식 차수 2의 설정은 스펙트럼의 전반적인 형태를 유지하면서도 잡음을 효과적으로 감소시킨다. 논문은 필터 커널을 Vandermonde 행렬을 이용해 직접 계산하고, 이를 컨볼루션 연산으로 구현함으로써 추가 연산 비용을 최소화한다.

학습 과정에서는 Adam 옵티마이저(learning rate = 0.001), 배치 크기 32, MSE 손실 함수를 사용했으며, 조기 종료와 He 초기화를 적용해 과적합을 방지한다. 10회 반복 실험에서 평균 RMSE 0.0245±0.0062, R² 0.9578±0.0305, PSNR 32.98 dB±1.83를 기록했으며, 이는 기존 CNN( RMSE 0.0430, R² 0.8883, PSNR 27.86 dB) 및 변형 CNN( RMSE 0.0347, R² 0.9010, PSNR 29.57 dB) 대비 29 % 이상의 RMSE 감소와 3 dB 이상의 PSNR 향상을 의미한다.

파라미터 수는 2.93 M으로 CNN(1.14 M)보다 많지만, 변형 CNN(5 M)보다 절반 수준이며, 추론 시간도 실시간 설계 워크플로우에 충분히 적용 가능하다. 또한 Grad‑CAM을 활용한 해석 결과, 모델이 메타서페이스의 특정 패턴(예: 패턴 크기, 배열 주기)에 높은 주목도를 보이며, 이러한 영역이 스펙트럼 피크와 직접 연관됨을 시각적으로 확인했다.

전반적으로 이 연구는 전이학습, 다채널 스펙트럼 정밀화, 그리고 전통적인 신호 평활화 기법을 결합함으로써, 제한된 데이터와 계산 자원 하에서도 고정밀 메타서페이스 스펙트럼 예측이 가능함을 입증한다. 향후 다양한 재료 시스템과 설계 파라미터에 대한 일반화, 그리고 역설계(스펙트럼 → 구조) 응용으로 확장될 여지가 크다.