BVH-Accelerated Ray Tracing for High-Frequency Electromagnetic Backscattering

1. 연구 배경 및 문제 정의 (Problem)

• 계산 복잡도 문제: 전자기파의 주파수가 높아질수록 (파장 $\lambda$가 감소할수록) 전기적 크기 ($D/\lambda \gg 1$) 가 큰 구조물의 경우, 완전파 (Full-wave) 솔버 (예: FDTD, FEM) 를 사용하는 것은 메모리 및 계산 시간 측면에서 비현실적입니다.
• 기존 방법의 한계: 고주파 영역에서는 기하광학 (Geometrical Optics, GO) 과 물리광학 (Physical Optics, PO) 을 결합한 SBR 방법이 널리 사용되지만, 복잡한 다중 반사 (Multi-reflection) 시뮬레이션에서는 수많은 광선 - 삼각형 교차 검사가 필요합니다.
• 병목 현상: 광선 수와 반사 횟수가 증가함에 따라 '모든 대 모든 (All-against-all)' 방식의 교차 검사는 계산 비용이 기하급수적으로 증가하여 실용적인 샘플링 밀도를 달성하기 어렵습니다. 또한, PO 적분 시 광선 격자의 샘플링이 부족하면 위상 에일리어싱 (Phase aliasing) 이 발생하여 RCS 패턴에 비물리적인 진동이나 잘못된 널 (Null) 이 나타납니다.

2. 방법론 (Methodology)

저자들은 SagittaSBR이라는 소프트웨어를 개발하여 다음과 같은 핵심 기법을 적용했습니다.

A. BVH 가속 광선 추적 (BVH-Accelerated Ray Tracing)

• BVH 구조: 메쉬 삼각형 위에 계층적 공간 데이터 구조인 BVH(Bounding Volume Hierarchy) 를 구축하여 광선 - 표면 교차 검색 공간을 대폭 축소했습니다.
• 분할 전략: BVH 구축 시 균형을 맞추기 위해 '중앙값 분할 (Median split)'을 사용하고, 복잡한 기하구조의 경우 표면적 휴리스틱 (SAH, Surface Area Heuristic) 기반의 'Binned SAH' 분할 규칙을 적용하여 탐색 비용을 최적화했습니다.
• 반복적 추적: 각 광선은 최대 $B_{max}$번의 반사를 수행하며, BVH 를 통해 가장 가까운 교차점을 효율적으로 찾습니다.

B. Trace-Integrate 파이프라인 (Trace-Integrate Pipeline)

계산 과정을 두 단계로 분리하여 최적화했습니다.

1. Trace 단계 (탐색): 광선이 BVH 를 통해 이동하며 교차점, 반사 횟수, 총 광경로 길이 ($R_i$), 첫 번째 교차점의 법선 벡터 등을 기록합니다. 이 단계는 기하학적 구조와 반사 깊이에 따라 제어 흐름이 불규칙합니다.
2. Integrate 단계 (적분): 유효한 교차점 (Target을 비추지 않거나 함정에 갇힌 광선 제외) 에 대해서만 물리광학 (PO) 적분을 수행합니다. 이 단계는 규칙적인 제어 흐름을 가지며, 벡터화 및 병렬 축산 (Reduction) 에 최적화되어 있습니다.

C. 샘플링 규칙 및 수치적 정확도

• 에일리어싱 방지: PO 적분의 위상 에일리어싱을 방지하기 위해 입사 광선 격자의 간격 ($\Delta s$) 을 파장 ($\lambda$) 의 1/5 이하 ($\Delta s \le \lambda/5$) 로 제한하는 보수적인 샘플링 규칙을 적용했습니다.
• 광선 관 (Ray Tube) 이산화: 연속적인 Stratton-Chu 적분을 광선 관 (Ray tube) 단위의 이산 합으로 변환하여 계산 효율성을 높였습니다.

D. 병렬화 및 하드웨어 가속

• GPU 가속: NVIDIA 와 AMD GPU 에서 CUDA 와 HIP 를 통해 이식 가능한 단일 소스 코드로 구현되었습니다.
• MPI 병렬화: 각 입사각 ($\theta, \phi$) 마다 독립적인 계산을 수행하므로, MPI 를 사용하여 각 랭크 (Rank) 에 서로 다른 각도 범위를 분배하여 대규모 파라미터 스윕을 수행합니다.

3. 주요 기여 (Key Contributions)

1. 고효율 SBR 프레임워크: BVH 를 활용한 광선 추적 가속과 Trace-Integrate 파이프라인 설계를 통해 전기적으로 큰 물체의 다중 반사 RCS 예측 속도를 획기적으로 향상시켰습니다.
2. 수치적 안정성 확보: 파장에 비례하는 광선 밀도 샘플링 규칙을 도입하여 고주파수 영역에서의 위상 에일리어싱 문제를 해결하고, Mie 이론과의 정밀한 비교를 통해 검증했습니다.
3. 이종 하드웨어 최적화: NVIDIA 와 AMD GPU 아키텍처의 특성을 분석하여 정밀도 (FP32 vs FP64) 선택에 따른 성능 차이를 규명하고, 각 아키텍처에 맞는 최적의 설정을 제시했습니다.
4. 대규모 시뮬레이션 검증: LUMI 슈퍼컴퓨터 (AMD MI250X GPU) 를 활용하여 A380 항공기 모델에 대한 전구면 (Full-spherical) RCS 스캔을 성공적으로 수행했습니다.

4. 실험 결과 (Results)

• PEC 구 (Sphere) 검증:
  • 전기적 크기 ($kr = 2\pi r/\lambda$) 가 30 이상인 광학 영역 (Optical Region) 에서 Mie 이론 해와 약 2.5% 의 표준편차로 높은 정확도를 보였습니다.
  • $kr \approx 8,000$ 이상의 매우 높은 주파수에서는 고정된 광선 밀도로 인해 에일리어싱 불안정성이 발생했으나, 이는 광선 밀도 증가로 해결 가능함을 확인했습니다.
• A380 항공기 시뮬레이션:
  • 10 GHz 주파수에서 90x90m 개구면에서 $30,000 \times 30,000$개의 광선을 발사하여 125,000 개의 관측점에서 RCS 를 계산했습니다.
  • 총 약 $1.125 \times 10^{14}$개의 광선 추적 수행.
  • 8 개의 LUMI 노드 (총 32 개의 AMD MI250X GPU) 에서 전체 스윕 시간은 약 27 분, 각 각도당 평균 계산 시간은 616ms 였습니다.
• 성능 분석:
  • 강한 확장성 (Strong Scaling): 256 개의 GCD(AMD GPU 코어) 사용 시 약 88% 의 효율을 달성했습니다.
  • 약한 확장성 (Weak Scaling): 약 96% 의 효율을 유지했습니다.
  • 정밀도 영향: NVIDIA A100 은 FP32 사용 시 성능이 우수하지만, AMD MI250X 는 FP64 사용 시 오히려 FP32 보다 약 20% 빠른 결과를 보여주어 아키텍처별 최적화 필요성을 강조했습니다.

5. 의의 및 결론 (Significance)

이 연구는 고주파 전자기 산란 문제 해결을 위해 기하광학 기반의 SBR 방법과 BVH 가속 기술을 효과적으로 결합한 사례입니다. 특히, 이종 GPU 환경 (NVIDIA/AMD) 에서의 성능 특성을 정량적으로 분석하고, 대규모 병렬 환경 (LUMI 슈퍼컴퓨터) 에서의 확장성을 입증했다는 점에서 의의가 큽니다.

• 실용성: 6G 및 테라헤르츠 대역과 같은 차세대 통신 및 레이다 시스템 설계에 필요한 전기적으로 큰 플랫폼의 RCS 예측을 위한 강력한 도구로 활용 가능합니다.
• 향후 과제: 회절 (Diffraction) 효과 (GTD/UTD/PTD) 통합, 유전체 재료 및 편파 (Polarimetric) 산란 모델링 확장, 그리고 에너지 일관성을 갖춘 광선 관 수송 기법 개발 등을 통해 정확도를 더욱 높일 계획입니다.

요약하자면, 이 논문은 BVH 기반의 가속 알고리즘과 효율적인 GPU 병렬화를 통해 고주파 전자기 산란 시뮬레이션의 계산 장벽을 낮추고, 복잡한 항공기 형상에 대한 실시간에 가까운 정밀 RCS 예측을 가능하게 한 획기적인 연구입니다.