Resolving Complex Subwavelength Grating Structures Using Topologically Structured Light

기술 요약: 위상학적 구조광을 이용한 복잡한 아임계 파장 격자 구조의 해상

문제 정의
원격장 광학 이미징은 다양한 신호 처리 및 구조화된 빛 기술을 통해 고전적인 아베 회절 한계(~λ/2)를 넘어 발전해 왔으나, 임의로 구조화된 물체의 차원 매개변수를 추출하는 데에는 여전히 상당한 과제가 남아 있다. 기존의 광학 계측 성공 사례는 주로 단일 나노와이어의 위치나 이중 슬릿의 폭을 결정하는 것과 같이 엄격하게 제한된 문제에 국한되어 왔다. 저자들은 위상학적으로 구조화된 조명(topologically structured illumination)의 장점, 즉 위상 특이점(phase singularities)을 통해 측정 정밀도를 높일 수 있는 능력이 더 복ist한 과제인 임의의 무작위 이진 격자의 차원 프로파일을 추출하는 작업으로 확장될 수 있는지 조사한다. 매개변수 공간의 차원이 증가하고 특징 크기가 회절 한계 미만으로 감소함에 따라, 역산란 문제(inverse scattering problem)는 현저히 어려워진다.

방법론
본 연구는 초고주파 진동 조명(superoscillatory illumination)과 딥러닝을 결합하여 무작위 1차원 이진 격자에 대한 역산란 문제를 해결하는 계산적 접근 방식을 채택한다.

• 물체 생성: 4,096개의 고유한 격자 프로파일 데이터셋이 생성되었다. 각 프로파일은 길이가 10 μm이고 픽셀화 단위가 10 nm이며, 투명 상태와 불투나 상태의 무작위 시퀀스로 구성된다. 이 설계는 특징 크기가 약 λ/2에서 λ/50(λ = 488 nm) 범위에 걸쳐 분포하도록 하며, 상관관계가 없는 전이를 통해 임의의 복잡성을 시뮬레이션한다.
• 조명 방식: 두 가지 조명 조건을 비교하였다:
  1. 평면파(Plane Wave): 구조화되지 않은 균일한 조명.
  2. 위상학적 구조광(Topologically Structured Light): 두 개의 대역 제한된 프로레이트 스페로이달 파동 함수(PSWF)의 선형 결합으로 형성된 축 대칭 초고주파 진동장. 이 장은 중심 강도 피크(0.3λ 반치폭)와 그 주변을 둘러싼 위상 특이점을 특징으로 하며, 강력한 국부적 아임계 파장 강도 및 위상 변화를 생성한다.
• 시뮬레이션: 각 스펙트럼 방법(angular spectrum method)을 사용하여 샘플로부터 2λ 떨어진 거리에서의 투과 산란 패턴을 계산하였다. 목표는 격자의 중앙 1 μm 섹션(1×100 벡터의 0과 1로 표현됨)의 차원 프로파일을 추출하는 것이다.
• 신경망 구조: 산란 패턴을 격자 프로파일로 매핑하기 위해 합성곱 신경망(CNN)을 훈련시켰다. 아키텍처는 4×4 및 2×2 커널을 가진 두 개의 합성곱 계층과 3×3 및 2×2 커널을 가진 풀링 계층, 그리고 두 개의 완전 연결 계층(128 및 100 출력)을 포함한다.
• 훈련 및 테스트: 데이터셋은 훈련/검증 세트(2,048개 패턴)와 테스트 세트(보지 못한 2,048개 패턴)로 분할되었다. 결과는 10회의 독립적인 훈련 사이클에 대해 집계되었다.
• 멀티 샷 확장: 위치 민감도를 테스트하기 위해, 세 가지 빔 위치(중심 (0,0) 및 ±Δx만큼 변위된 위치)에서 회절 패턴을 기록하는 "퓨샷(few-shot)" 접근 방식을 시뮬레이션하였다.

주요 기여 및 결과
본 논문은 위상학적 구조 조명이 딥러닝과 결합될 때, 평면파 조명보다 더 높은 정밀도로 임의의 물체에서 아회절 특징을 추출할 수 있음을 입증한다.

• 단일 샷 해상도: 초고주파 진동 조명 하에서, 신경망은 ~λ/7 (70 nm)까지의 특징 크기를 95% 이상의 성공률로 성공적으로 추출하였다. 이는 평면파 조명이 ~λ/4.9 (100 nm)까지 해상했던 것에 비해 1.4배 향상된 결과이다.
• 멀티 샷 해상도: 세 개의 회절 패턴(중심 및 ±Δx 변위)을 활용함으로써, 초고주파 진동 조명의 해상도는 ~λ/10.5로 향상되었다. 결정적으로, 평면파의 경우 위치 변위에 따른 개선이 나타나지 않았는데, 이는 평면파의 산란 패턴이 이동에 대해 불변하기 때문이다. 이는 구조화된 빛 방식이 퓨샷 이미징에서 2.2배의 우위를 점함을 보여준다.
• 복잡성 및 간섭: 직관과는 반대로, 단순한 구조(1~3개 특징)보다 더 복잡한 물체(더 많은 특징을 가진 경우)에서 추출 성공률이 더 높은 것으로 나타났다. 저자들은 이를 간섭 효과 때문이라고 설명한다. 산란 특징의 수가 증가함에 따라 산란되는 장의 총 정보량이 증가하며, 이것이 신경망의 디컨볼루션(deconvolution) 과정을 돕는다. 이 효과는 평면파 조명에서 더 두드러지지만, 구조화된 빛 영역에서도 지속된다.
• 학습 역학: 초고주파 진동 조명 하에서의 산란 패턴의 증가된 복잡성은 네트워크가 수렴하는 데 더 많은 훈련 에포크(epoch)를 요구했다. 그러나 이는 평면파의 경우와 비교하여 더 낮은 평균 제곱 오차(MSE)와 더 높은 추출 성공률을 가져왔다.

의의 및 주장
본 논문은 제약된 계측 작업(예: 단일 나노입자 추적)에서 이미 확립된 위상학적 구조 조명의 장점이, 매개변수 공간이 복잡하고 임의적인 물체로부터 지정되지 않은 차원 매개변수를 추출하는 것으로 확장될 때도 유지되며 효과적임을 입증한다고 주장한다.

저자들은 초고주파 진동 장의 강력한 국부 강도 및 위상 변화와 물체의 나노미터급 특징 사이의 상호작용이 훨씬 더 높은 정보량을 가진 산란 패턴을 생성한다고 단언한다. 딥러닝 알고리즘은 이 향상된 정보를 활용하여 고전적인 회절 한계보다 훨씬 낮은 수준의 특징을 해상하는 디컨볼루션을 수행할 수 있다. 본 연구는 단일 샷 해상도 ~λ/7 및 멀티 샷 해상도 ~λ/10.5를 달ach하며, 점점 더 복잡해지는 나노 스케일 광 계측 및 기초 이진 물체 이미징을 위한 위상학적 구조광 사용의 경로를 구축한다.