Fourier 기반 물리 정보 활용 NV 자기 재구성 혁신

초록

본 논문은 NV 센서를 이용한 스트레이 필드 측정에서 얻은 데이터를 역문제로 풀어 복잡한 마그네틱 텍스처를 재구성한다. 전체 마이크로자기 에너지를 손실함수에 물리적 정규화항으로 포함하고, 자동 미분 가능한 FFT 기반 전방 모델과 어드밧 최적화를 결합해 센서‑시료 거리까지 동시 추정한다. 합성 데이터와 Fe₃₋ₓGaTe₂ 실험 데이터를 통해 높은 재구성 정확도와 거리 추정 정밀도를 입증한다.

상세 분석

이 연구는 NV(질소‑결함) 센서가 측정한 스트레이 필드 데이터를 이용해 시료 내부의 마그네틱 벡터장(m)을 복원하는 역문제에 물리‑정보 기반 정규화를 적용한 새로운 변분 프레임워크를 제시한다. 핵심 아이디어는 전체 마이크로자기 에너지 E_total (교환, demag, 이방성, DMI 항)를 손실함수 J(m,d_NV)=L_data+λ̂ E_total 에 직접 삽입함으로써, 전통적인 Tikhonov 정규화 대신 물리적으로 의미 있는 제약을 제공한다는 점이다.

전방 모델은 magnum.np 라이브러리의 유한 차분 마이크로자기 시뮬레이터와 FFT 기반 demagnetization 텐서 컨볼루션을 결합한다. 시료‑센서 사이의 진공층에서 라플라스 방정식이 성립함을 이용해 2‑D Fourier 공간에서 정확한 전이 함수(transfer function)를 도출하고, 이를 통해 임의의 센서‑시료 거리 d_NV 에 대한 “upward continuation”을 수행한다. 이렇게 얻은 2‑D Fourier 도메인 필드 Ĥ_dem(d_NV) 를 역 FFT 후 NV 축에 투영해 스칼라 스트레이 필드 H_dem 을 생성한다. 이 과정은 전부 PyTorch 자동 미분 그래프에 포함되어, m 과 d_NV 에 대한 그래디언트를 동시에 계산할 수 있다.

최적화는 Riemannian Adam을 이용해 |m|=1 제약을 구면 매니폴드 상에서 직접 만족시키며, d_NV 는 스칼라 파라미터로 취급해 동일한 옵티마이저에 포함한다. 초기 m₀ 은 영벡터(또는 무작위)로 설정해 데이터에만 의존하도록 하였으며, L‑Curve 분석을 통해 정규화 가중치 λ 를 선택한다. L‑Curve는 L_data 와 E_total 의 로그‑스케일 플롯에서 “코너”를 찾아 최적 λ_opt 을 결정한다.

합성 데이터 실험에서는 80 nm의 실제 센서 거리와 3 % RMS 노이즈를 포함한 스트레이 필드에 대해, λ_opt≈2.2×10¹⁷ A·J⁻¹·m⁻¹을 사용했을 때 m가 원본 m_ref과 높은 상관성을 보였으며, d도 80 nm에 근접했다. 정규화가 없을 경우(λ=0) 재구성된 m은 물리적으로 비현실적인 고에너지 상태가 되었다. 정규화가 과도하면(λ_high) d*가 과다 추정되는 경향을 보이며, 이는 L‑Curve의 “오버‑레귤러라이즈” 영역에 해당한다.

실험 데이터(Fe₃₋ₓGaTe₂ 100 nm 박막)에서는 외부 바이어스 H_bias≈3.2 kA·m⁻¹ 하에 측정된 스트레이 필드에 ODMR 부호 모호성으로 인한 아티팩트가 존재한다. 동일한 프레임워크를 적용했을 때 λ_opt≈2.8×10¹⁷ A·J⁻¹·m⁻¹에서 d*≈80 nm으로 수렴했으며, λ을 낮추면 과도한 미세 구조가 나타나고, λ을 높이면 과도하게 부드러운(확산된) 텍스처가 생성되는 것을 확인했다. 최적 λ에서 재구성된 m*는 도메인 벽의 나선성, DMI에 의한 회전 방향 등을 원본과 일치시키며, 실험적으로 관측된 스트레이 필드와 높은 일치도를 보였다.

이러한 결과는 (1) 물리‑정보 정규화를 통해 역문제의 불확정성을 효과적으로 억제하고, (2) 센서‑시료 거리와 같은 실험 파라미터를 자동으로 추정함으로써 실험적 불확실성을 제거하며, (3) 전방 모델이 FFT 기반으로 O(N log N) 복잡도를 유지해 대규모 2‑D/3‑D 데이터에 실시간에 가까운 최적화를 가능하게 함을 의미한다. 또한, 자동 미분과 Riemannian 최적화를 결합한 접근법은 향후 다른 양자 센서(예: 스핀‑포톤, 초전도 양자 인터페이스)에도 일반화 가능할 것으로 기대된다.