단일샷 겹침없는 파이토그래피를 위한 물리 기반 딥러닝 프레임워크

본 연구는 현대 고출력 X‑ray 광원(4차원 싱크로트론, XFEL)에서 파이토그래피가 직면한 두 가지 근본적인 병목—높은 스캔 겹침 비율에 따른 낮은 데이터 처리량과 높은 방사선 선량—을 동시에 해결하고자 한다. 이를 위해 저자들은 기존의 물리‑제약 딥러닝 프레임워크인 PtychoPINN을 확장하여, 겹침을 강제하지 않는 “단일샷” Fresnel CDI 모드와 전통적인 겹침 기반 파이토그래피를 하나의 모델 안에서 모두 수행할 수 있게 만들었다. 핵심 방법론은 다음과 같다. (1) 회절 강도 데이터를 포아송 확률분포로 모델링하고, 그 로그우도 L_Poiss를 손실함수로 사용한다. 이는 특히 저광자량(≈10⁴ photons/frame)에서 신호‑대‑노이즈 비율을 최적화한다. (2) 전방 연산 F는 회절을 시뮬레이션하는 미분 가능 연산으로 구현되며, 역변환 네트워크 G는 인코더‑디코더 구조를 갖는다. G는 입력 회절 패턴 x와 해당 스캔 좌표 r를 조건으로 받아, 실공간 객체 패치 Oₖ를 출력한다. (3) 겹침은 “그룹 크기 C_g” 파라미터로 제어된다. C_g > 1이면 전통적인 다중‑프레임 겹침 재구성을 수행하고, C_g = 1이면 단일 프레임만 사용해 겹침 없이 재구성한다. 그룹은 각 스캔 좌표의 K‑최근접 이웃을 무작위로 선택해 형성되며, 이는 데이터 증강과 지역적 일관성을 동시에 제공한다. (4) 디코더는 중앙 고해상도 영역(N/2×N/2)과 주변 저해상도 영역을 별도로 처리하도록 설계돼, 실험적 프로브의 넓은 테일을 포함하면서도 오버샘플링 조건을 위배하지 않는다. (5) 학습은 전적으로 회절 도메인 손실에 의존하며, 필요 시 절대값 MAE 손실을 보조적으로 사용한다. 스케일 파라미터 α_log은 네트워크 출력과 실제 포톤 수 사이의 변환을 자동 보정한다. 실험은 네 가지 데이터셋을 대상으로 수행되었다. (①) APS Velociprobe Siemens‑star 실험 데이터, (②) LCLS X‑ray Pump‑Probe 테스트 패턴, (③) APS 기반 합성 Siemens‑star 데이터, (④) 합성 라인 패턴 데이터. 각 데이터셋에 대해 겹침 유무, 프로브 형태(이상적 vs 실험적), 훈련 데이터 양(512 ~ 8192 프레임) 등을 변형해 성능을 평가했다. 주요 결과는 다음과 같다. - **재구성 품질**: 합성 Siemens‑star 데이터에서 PtychoPINN은 감독 학습 베이스라인 대비 PSNR 1.5 dB, SSIM 0.025 향상을 보였다(Amplitude PSNR 85.53 dB, SSIM 0.955). 실제 APS 데이터에서도 8192 프레임에서는 훈련‑테스트 격차가 거의 없으며, 512 프레임에서도 감독 모델보다 일관된 품질을 유지했다. - **겹침‑무료 단일샷**: 실험 프로브를 사용한 경우, 겹침을 없애면 진폭 SSIM이 0.968→0.904(Δ0.064)로 감소하지만, 이는 여전히 시각적으로 충분히 높은 수준이며, PSNR도 73 dB→68.9 dB(Δ4.1 dB) 정도만 감소한다. 이상적 프로브에서는 겹침 없이도 SSIM 0.620, PSNR 60.7 dB를 달성한다. - **저광자 효율**: 포아송 NLL 손실을 사용하면 약 10배 낮은 광자량에서도 MAE 기반 모델과 동등한 해상도(FRC50)를 유지한다. 이는 포아송 모델이 고‑q(고주파) 성분의 미세 정보를 보존하기 때문이다. - **연산 속도**: GPU당 처리량이 LSQ‑ML(least‑squares maximum‑likelihood) 대비 약 40배 빠르며, 128×128 해상도에서 실시간(≈6.1 × 10³ 프레임/초) 처리가 가능하다. - **데이터 효율 및 일반화**: 동일 백본을 사용한 감독 학습 모델은 16 384 이미지가 필요했지만, PtychoPINN은 1 024 이미지만으로도 더 높은 SSIM/PSNR을 달성했다. 또한 APS에서 훈련된 모델을 LCLS 데이터에 그대로 적용했을 때도 성능 저하가 미미했다. 이러한 결과는 물리‑제약 딥러닝이 회절 데이터의 통계적 특성을 직접 모델링함으로써, 전통적인 겹침 기반 파이토그래피의 제약을 넘어서는 가능성을 보여준다. 특히, 단일샷 Fresnel CDI와 겹침 기반 파이토그래피를 하나의 프레임워크로 통합함으로써, 고속·저선량·고품질 이미징을 동시에 달성할 수 있다. 향후 연구에서는 (1) 3D Bragg CDI, (2) 다중‑에너지 혹은 다중‑모드 빔라인, (3) 비정형 스캔 패턴(예: 무작위 스캔) 등에 이 프레임워크를 확장함으로써, 차세대 X‑ray 영상 기술의 전반적인 효율성을 크게 향상시킬 수 있을 것으로 기대된다.