ANN-assisted CoSaMP Algorithm for Linear Electromagnetic Imaging of Spatially Sparse Domains

당신은 상자를 열지 않고도 그 안에 무엇이 들어있는지 알아내려고 노력 중이라고 상상해 보십시오. 내부를 볼 수는 없지만, 다양한 각도에서 손전등을 비추어 그 안에 숨겨진 물체에 빛이 어떻게 산란되는지 관찰할 수 있습니다. 이것이 바로 '전자기 이미징(electromagnetic imaging)'의 기본 개념입니다. 과학자들은 전자기파(예: 라디오파)와 같은 보이지 않는 파동을 사용하여 물체 내부를 들여다보거나, 지하 파이프를 매핑하거나, 심지어 수술 없이 인체 내부를 들여다보는 데 이 기술을 사용합니다. 문제는 산란된 파동을 다시 선명한 그림으로 바꾸는 데 필요한 수학적 과정이 매우 복잡하며, 직접적으로 해결하는 것이 종종 불가능하다는 점입니다.

이 퍼즐을 풀기 위해 과학자들은 종종 '압축 센싱(compressed sensing)'이라는 기법에 의존합니다. 이것은 마치 대부분의 칸이 비어 있다는 것을 알고 있는 스도쿠 퍼즐을 푸는 것과 같습니다. 만약 당신이 찾고자 하는 물체가 '희소(sparse)'하다는 것, 즉 몇 개의 뚜렷한 물체만 숨겨져 있고 나머지는 대부분 빈 공간이라는 것을 알고 있다면, 모든 칸을 일일이 추측하는 것보다 훨씬 빠르게 그 몇 안 되는 물체를 찾아낼 수 있습니다. 이를 위한 가장 좋은 도구 중 하나는 CoSaMP라고 불리는 방법으로, 이는 마치 아주 빠른 탐정처럼 단서 하나하나를 쫓아 숨겨진 물체를 찾아냅니다. 하지만 이 탐정에게는 두 가지 주요 결함이 있습니다. 첫째, 시작하기 전에 숨겨진 물체의 개수를 정확히 알아야 한다는 점이고(이는 보통 비밀입니다), 둘째, 그가 사용하는 '지도'가 너무 왜곡되어 혼란에 빠지고 포기하게 된다는 점입니다.

이 논문은 이 탐정에게 '수정구슬'과 '선명하게 만드는 도구'를 부여하여 2차원 공간의 숨겨진 물체를 해결할 수 있도록 하는 영리한 업그레이드를 소개합니다. 저자들은 전자기파를 사용하여 2차원 공간의 숨겨진 물체를 재구성하는 방법을 연구했습니다. 저자들은 인공 신경망(Artificial Neural Network)을 사용하여 산란된 파동을 보고 숨겨진 물체의 개수를 추측하도록 컴퓨터의 뇌를 가르쳤습니다. 또한 탐정이 길을 잃지 않도록 수학적 지도를 수정했습니다. 이 두 가지 기술을 결합함으로써, 저자들은 개선된 CoSaMP 알고리즘이 컴퓨터 시뮬레이션 상에서 노이즈가 있거나 숨겨진 물체의 개수를 모르는 상황에서도 숨겨진 산란체들을 선명하고 날카로운 이미지로 재구성할 수 있음을 보여주었습니다.

탐정의 새로운 도구 상자

전자기 이미징의 세계에서 목표는 파동이 수신기 쪽으로 어떻게 튕겨 돌아오는지에 기초하여 숨겨진 물체의 모습을 알아내는 것입니다. 대개 이는 파동이 뒤섞이기 때문에 수학적인 악몽이 됩니다. 저자들은 CoSaMP라는 '탐욕적(greedy)' 알고리즘을 사용하기로 결정했습니다. CoSaMP를 한 번에 모든 곳을 파헤치지 않는 보물 사냥꾼이라고 상상해 보십시오. 대신, 그는 가장 유망한 지점을 찾고, 조금 파보고, 만약 무언가를 발견하면 그곳을 계속 파 내려가는 반면 빈 모래는 무시합니다. 이는 빠르고 효율적이지만, 한 가지 제약이 있습니다. 땅속에 보물(논문에서는 'non-zero elements'라고 부름)이 몇 개나 묻혀 있는지 시작하기 전에 정확히 알아야 한다는 것입니다.

실제 상황에서 이 숫자를 미리 아는 사람은 없습니다. 만약 보물 사냥꾼이 잘못 추측한다면, 전체 지도가 무너집니다. 게다가, 사냥꾼이 사용하는 '지도'(산란 행렬)는 종종 파동의 물리 법칙에 의해 너무 왜곡되어 사냥꾼을 혼란에 빠뜨리고 길을 찾지 못하게 만듭니다. 여기서 논문의 두 가지 주요 혁신이 문제를 해결하기 위해 등장합니다.

수정구슬 (인공 신경망)
첫째, 저자들은 숨겨진 물체의 개수를 미리 알지 못해도 이를 추측할 방법을 찾아야 했습니다. 그들은 인공 신경망(ANN)을 사용하여 '수정구슬'을 만들었습니다. 이 네트워크를 수천 번의 연습 시험을 공부한 학생이라고 생각하십시오. 이 학생은 숨겨진 물체의 개수를 알고 있는 수백만 개의 가짜 시나리오를 통해 훈련되었습니다. 학생은 산란된 파동의 패턴을 보고 "아, 이 패턴은 물체가 4개 있는 것처럼 보이네" 또는 "이것은 72개처럼 보이네"라고 말하는 법을 배웠습니다.

실험에서 그들은 고리나 원통형과 같은 모양을 포함하는 14,450개의 서로 다른 시나리오 데이터를 사용하여 이 신경망을 훈련시켰습니다. 본 적 없는 새로운 시나리오에 대해 테스트했을 때, 이 네트워크는 놀라울 정도로 정확했습니다. 테스트 케이스의 90%에서 물체의 정확한 개수를 맞혔습니다. 최악의 경우에도 오차는 아주 미미했습니다(보통 1개 또는 2개 정도). 이는 CoSaMP 탐정이 더 이상 추측할 필요 없이, 수정구슬에게 물어보고 숫자를 얻은 뒤 확신을 가지고 사냥을 시작할 수 있음을 의미합니다.

선명하게 만드는 도구 (티코노프 정규화)
두 번째 문제는 지도 자체가 너무 흔들린다는 것이었습니다. 수학적으로 말하면, 산란 행렬이 '제한적 등거리 성질(Restricted Isometric Property, RIP)'이라는 속성을 만족하지 못했습니다. 이는 지도가 곧고 정확하다는 보장과 같습니다. 이것이 없으면 탐정은 길을 잃게 됩니다.

이를 해결하기 위해 저자들은 지도에 '안정제'를 추가했습니다. 그들은 티코노프 정규화(Tikhonov regularization) 기법을 사용했는데, 이는 흔들리는 탁자의 모서리에 약간의 접착제를 붙여 흔들림을 방지하는 것과 같습니다. 행렬의 대각 성분에 특정 상수 값을 추가함으로써, 그들은 지도가 CoSaMP 알고리즘이 작동할 수 있을 만큼 안정되도록 강제했습니다. 이는 또한 노이즈를 완화하여 측정값이 다소 흐릿하더라도 최종 이미지를 더 선명하게 만드는 데 도움을 주었습니다.

결과: 더 선명한 그림, 더 빠른 답변

저자들은 새로운 'ANN 지원 CoSaMP' 시스템이 기존 방식보다 실제로 더 잘 작동하는지 확인하기 위해 여러 컴퓨터 시뮬레이션에서 테스트를 진행했습니다.

• 가까운 친구들: 한 테스트에서, 매우 가까이 붙어 있는 두 개의 작은 물체를 찾는 실험을 했습니다. 기존 방식(FTB-OMP)은 이 둘을 구별하는 데 어려움을 겪었지만, 새로운 CoSaMP 방식은 이들을 두 개의 뚜렷한 점으로 명확하게 식별했습니다.
• 원통 클러스터: 밀집된 72개의 원통 그룹을 테스트했습니다. 새로운 방식은 약 28%의 오차율로 이미지를 재구성했으며, 이미지를 흐릿하고 번지게 만드는 표준 '소프트 임계값(soft thresholding)' 방식보다 훨씬 더 선명한 그림을 만들어냈습니다.
• "오스트리아" 프로필: 그들은 '오스트리아 프로필'(국가 지도와 비슷하게 생긴 형태)이라 불리는 유명하고 복잡한 모양을 테스트했습니다. 새로운 알고리즘은 43%의 오차로 해당 형태를 찾아냈으며, 이는 흐릿한 대안 방식보다 현저히 나은 결과였습니다.
• L-자 모양: 마지막으로, L자형 물체를 재구성하여 31.6%의 오차로 선명한 이미지를 구현했습니다.

흥주한 발견 중 하나는 이 시스템이 매우 견고하다는 것이었습니다. 설령 수정구슬(신경망)이 숨겨진 물체의 개수를 약간 잘못 예측하더라도(예를 들어 72개 대신 73개로 예측한 경우), 알고리즘은 여전히 괜찮은 이미지를 만들어냈습니다. 다만 예측이 틀릴수록 정확도는 약간 떨어졌습니다. 그러나 센서(송신기 및 수신기)의 개수가 너무 적으면(예: 각각 4개뿐인 경우) 시스템이 어려움을 겪었는데, 이는 뇌가 똑똑하더라도 전체 그림을 보기 위해서는 충분한 눈이 필요함을 보여주었습니다.

이것이 중요한 이유

이 논문은 '희소성(sparsity, 숨겨진 물체의 개수)'을 예측하기 위한 간단한 신경망과 지도를 안정화하기 위한 수학적 조정을 결합함으로써, 희소 영역을 훨씬 더 효율적이고 정확하게 이미징할 수 있는 방법을 만들어냈다고 결론짓습니다. 이 시스템은 빈 공간 전체를 검색할 필요가 없기 때문에 빠릅니다. 대신 가능성이 높은 지점에만 집중합니다. 또한 복잡한 조절 장치를 튜닝하거나 물체의 개수를 미리 추측할 필요가 없습니다. 그리고 가장 중요한 것은, 이 시스템이 생성하는 이미지가 이전 방식들보다 더 선명하고 정확하다는 점입니다.

현재 이러한 결과는 컴퓨터 시뮬레이션에 기반하고 있으므로(즉, 아직 실험실에서 실제 물리적 객체에 대해 테스트되지 않았습니다), 수학적 검증은 완료되었으며 '수정구슬'도 놀라울 정도로 잘 작동합니다. 이는 미래에 우리가 시작하기 전에 무엇을 찾고 있는지 정확히 알지 못하더라도, 땅속이나 기계 내부, 혹은 인체 내부의 숨겨진 것들을 더 선명하고 빠르게 촬영할 수 있는 기술을 사용할 수 있음을 시사합니다.