Extended Kalman Smoothing of Free Spin Precession Signals for Accurate Magnetic Field Determination

기술 요약: 정확한 자기장 결정을 위한 자유 스핀 세차 운동 신호의 확장 칼만 평활법(Extended Kalman Smoothing)

문제 정의
정적인 자기 선속 밀도를 정확하게 결정하는 것은 편극된 핵(예: $^3$He)의 자유 스핀 세차 주파수($f_L$)를 $f_L = \frac{\gamma}{2\pi}B_0$ 관계식을 통해 측정하는 것에 달려 있습니다. $^3$He의 자이로매그네틱 비 $\gamma$는 극도로 정밀하게 알려져 있지만(상대 불확일성 $<10^{-9}$), 전반적인 자기장 측정의 정확도는 현재 핵자기공명(NMR) 신호로부터 주파수를 추정하는 정밀도에 의해 제한됩니다. 전통적인 방법인 비선형 최소제곱 적합법(특히 sine-cos-fit 또는 SCF)은 자유 프리세션 감쇠(Free Precession Decay, FPD) 신호에 적용할 때 상당한 어려움에 직면합니다. 이러한 신호는 지수 함수적인 진폭 감쇠와 자기장의 드리프트로 인한 시간 의존적 주파수 변화를 보입니다. 기존 방식은 일정한 진폭과 주파수를 가정하기 위해 데이터를 고정된 길이의 블록으로 나누어야 하는 경우가 많으며, 이는 트레이드오프를 발생시킵니다. 즉, 짧은 블록은 드리프트에는 잘 적응하지만 노이로로 인해 분산이 커지며, 긴 블록은 노이즈를 줄여주지만 급격한 주파수 변화나 진폭 감쇠를 추적하지 못해 모델 불일치와 편향을 초래합니다.

방법론
저자들은 FPD 신호로부터 시변 주파수와 진폭을 추정하기 위해 확장 칼만 평활기(Extended Kalman Smoother, EKS)를 적용하는 새로운 방안을 제안합니다. 실시간으로 작동하는 표준 칼만 필터와 달리, EKS는 모든 가용 측정값(과거 및 미래)을 활용하여 상태 추정치를 정교화하며, 이는 센서 데이터의 사후 처리(post-processing)에 이상적입니다.

본 방법론은 다음과 같은 핵심 요소로 구성됩니다:

1. 상태 공간 모델링(State-Space Modeling): 시스템은 시간 영역이 아닌 주파수 영역에서 모델링됩니다. 신호는 중첩되지 않는 블록들로 분할됩니다. 각 블록에 대해 상태 벡터 $x_k$는 진폭 $A_k$, 주파수 오프셋 $\delta f_k$, 그리고 위상 $\phi_k$를 포함합니다. 이 상태들의 진화는 적분된 랜덤 워크(진폭 및 주파수의 경우)와 수치 적분(위상의 경우)으로 모델링됩니다.
2. 측정 방정식(Measurement Equation): 시간 영역의 신호를 직접 피팅하는 대신, EKS는 모델 예측값과 신호 블록의 이산 푸리에 변환(DFT) 계수를 비교합니다. 이는 시간 영역 신호의 가법적 가우시안 노이즈를 주파수 영역에서의 독립적인 가우시안 노이즈 성분으로 변환하여 노이즈 분산을 크게 감소시킵니다.
3. 파라미터 최적화(Parameter Optimization): 모델의 정적 파라미터(프로세스 노이즈 공분산 $Q$, 측정 노이즈 공분산 $R$, 초기값)는 기대 최대화(Expectation-Maximization, EM) 알고리즘을 사용하여 자동으로 최적화됩니다. 이를 통해 이 방법은 블록 길이 나 노이즈 파라미터의 수동 튜닝 없이도 신호 특성에 적응할 수 있습니다.
4. 참조 방법(Reference Method): EKS는 선형 및 비선형 파라미터를 분리하기 위해 가변 투영(variable projection)을 사용하는 표준 Sine-Cos-Fit(SCF) 방법과 벤치마킹됩니다. SCF 접근법에서는 시뮬레이션 상에서 평균 제곱 오차(MSE)를 최소화하는 최적의 블록 길이를 사후적으로 결정하여, 전통적인 방법의 "최선의 시나리오"를 나타냅니다.

주요 기여

• 알고리즘 혁신: 본 논문은 푸리에 계수를 측정 모델로 활용하여, 서서히 변하는 주파수와 감쇠하는 진폭을 가진 조화 신호(harmonic signals)를 추적하도록 특별히 조정된 주파수 영역 EKS 프레임워크를 소개합니다.
• 자동 적응: 이 방법은 최소제곱 적합에서 중요하지만 튜닝하기 어려운 단계인 블록 길이 또는 노이즈 파라미터의 수동 선택 과정을 제거합니다. EM 알고리즘은 프로세스 및 측정 노이즈 공분산의 최적화를 수행합니다.
• 포괄적인 벤치마킹: 본 연구는 광범한 시뮬레이션(신호 대 잡음비(SNR) 및 주파수 드리프트 확산 계수 변화 포함)과 $^3$He 자계계로부터 얻은 실제 실험 데이터를 사용하여 EKS와 SCF를 엄격하게 비교합니다.

결과

• 시뮬레이션 연구: 다양한 SNR 및 주파수 드리프트율에 걸쳐, EKS는 SCF에 비해 체계적으로 추정 오차를 감소시켰습니다. 중간 또는 높은 SNR과 진화하는 주파수 환경에서 EKS는 주파수 추정 성능을 약 2배 개선했습니다($\rho_{RMSE,f} \approx -1$로 표시됨). SCF는 매우 낮은 SNR과 무시할 만한 주파수 드리프트가 있는 영역에서만 EKS보다 우수한 성능을 보였으며, 이 경우 크라메르-라오 하한(Cramér–Rao lower bound)에 근접했습니다.
• 진폭 추정: EKS는 진폭 추정에서 SCF를 크게 앞질렀는데, 이는 고정된 블록 내에서 진폭이 일정하다고 가정하는 SCF의 가정이 신호가 지수적으로 감쇠할 때 성능 저하를 일으키기 때문입니다.
• 실험적 검증: $^3$He 스핀 세차 측정(지속 시간 ~4시간)의 실험 데이터에 적용했을 때, EKS는 주파수 변동을 추적하는 데 있어 탁월한 성능을 보여주었습니다. 큰 블록 길이를 사용한 SCF 추정치는 급격한 주파수 변화(예: ~300초 부근의 상승 스워브)를 해결하지 못하고 신뢰할 수 없는 불확실성 구간을 보인 반면, EKS는 일관된 추적을 유지했습니다. 특히, EKS는 거의 두 자릿수 작은 블록 길이를 사용하면서도 SCF와 대등한 불확실성 구간을 달성함으로써, 정밀도를 희생하지 않으면서도 더 높은 시간 해상도를 입증했습니다.

의의
본 논문은 EKS 기반 분석이 NMR 기반 자계 측정의 기초 단계인 주파수 추정의 정확도를 실질적으로 향면시킨다고 주장합니다. 노이즈를 효과적으로 필터링하고 신호 감쇠 및 주파수 드리프트에 자동 적응함으로써, 이 방법은 고정밀 측정의 안정성과 정확성을 높입니다. 저자들은 이 다재다능한 접근 방식이 시간 경과에 따른 자기장 변동을 추적하는 데 특히 유용하며, 이는 현대 자계 측정 응용 분야의 중요한 요구사항이라고 강조합니다. 본 연구는 시스템 의존적 파라미터에 의존하지 않는 견고하고 사용하기 쉬운 구현을 제공하며, 이는 초고정밀 NMR 측정에서 기존의 최첨단 최소제곱법을 대체할 유망한 후보임을 시사합니다.