대규모 데이터와 흐름 매칭으로 풀어낸 역타원편광 문제

초록

**
본 논문은 8백만 개가 넘는 고정밀 샘플을 포함한 공개 데이터셋 EllipBench를 구축하고, 기존 머신러닝·물리 기반 모델들의 한계를 실험적으로 검증한다. 이후 두께를 물리적 조건으로 분리하고 연속 벡터 필드를 학습하는 Decoupled Conditional Flow Matching (DCFM) 프레임워크를 제안하여, 파장‑의존 광학 상수와 두께의 역문제 확률분포를 효과적으로 추정한다. 물리적 제약과 그래디언트 분리 전략을 결합함으로써 기존 방법이 겪는 일대다 매핑 모호성을 크게 완화하고, 높은 정확도와 견고성을 달성한다.

**

상세 분석

**
EllipBench는 98종의 박막 재료와 5종 기판을 조합해 8 백만 개 이상의 (Ψ, Δ, λ, n₃, k₃) 입력‑출력 쌍을 생성한다. 데이터는 380 ~ 1000 nm 파장 구간을 2.6 nm 간격으로 샘플링하고, 두께는 1 ~ 96 nm를 로그 스케일 20단계로 변형한다. 물리적 일관성을 검증하기 위해 제안된 EC Error(에너지 보존 오차)는 반사·투과 에너지 합이 1에 근접하도록 하는 지표이며, 금속군에서 16‑31 nm 두께 구간에 특히 큰 편차가 나타나 데이터의 물리적 난이도를 드러낸다.

전통적인 역문제 해결 방식인 Levenberg‑Marquardt 기반 비선형 최소화는 초기값 의존성과 지역 최소점 함정으로 인해 고속 대량 처리에 부적합하다. 기존 머신러닝 접근법—선형 회귀, 랜덤 포레스트, 기본적인 DNN, 그리고 물리‑인포드 PINN—은 입력‑출력 사이의 일대다 관계를 평균화하거나 불안정한 추정값을 내놓는다. 특히 두께와 광학 상수(n₂, k₂)가 서로 상보적으로 변할 때, 동일한 Ψ·Δ 스펙트럼을 생성하는 다중 해가 존재함을 실험적으로 확인한다.

DCFM은 이러한 모호성을 해소하기 위해 조건부 흐름 매칭을 활용한다. 핵심 아이디어는 두께 d를 조건 변수로 고정하고, 파장‑의존 n₂(λ), k₂(λ) 를 확률적 연속 흐름으로 모델링하는 것이다. 구체적으로, 사전 분포 p(z)와 목표 분포 p(x|d) 사이의 연속적인 변환 φₜ(z) 를 정의하고, 흐름 매칭 손실 L_FM = E_{t, z}