Will Accurate Fields Mislead Photonic Design? FromGlobal Accuracy to Port Readout

이 논문은 특히 MMI 스플리터와 같이 전파가 지배적인 구조에서 뉴럴 필드 대리 모델이 광소자 설계를 잘못 유도하는 것을 방지하기 위해, 전역적 장 정확도보다 출력 포트 판독 충실도를 우선시하는 전파 정렬 신경 연산자인 PaNO를 소개한다.

핵심

문제의 핵심: "흐릿한 사진 vs 선명한 영수증"

당신이 새로운 유형의 카메라 렌즈를 설계하려는 사진가라고 상상해 보세요. 당신에게는 최종 사진이 어떻게 보일지 예측할 수 있는 아주 똑똑한 AI 비서가 있습니다.

보통 우리는 AI가 잘하고 있는지 판단할 때 전체 사진을 보고 결정합니다. 만약 AI가 찍은 사진이 실제 사진과 색상이나 형태 면에서 99% 유사하다면, 우리는 "잘했어!"라고 말합니다.

하지만 여기 함정이 있습니다: 광학 칩(빛 기반 칩)의 세계에서 설계자는 전체 사진에는 관심이 없습니다. 그들은 오직 사진 가장자리의 작고 특정적인 지점들(포트, ports)에만 관심이 있습니다. 이 지점들이 광섬유 케이블로 얼마나 많은 빛이 들어갈지, 데이터가 얼마나 빨리 이동할지, 혹은 빛이 어떻게 나뉘는지를 결정하기 때문입니다.

이 논문은 AI가 방 전체의 "완벽한" 사진을 찍을 수는 있어도, 정작 작은 지점들은 완전히 틀리게 만들 수 있다고 주장합니다. 이는 마치 도시 전체의 기온은 완벽하게 예측하면서도, 정작 당신의 뒷마당 온도는 틀리게 예측하는 일기 예보와 같습니다. 만약 당신이 그 뒷마당에서 소풍을 계획하고 있다면, "전역적(global)"인 예보는 당신에게 아무런 쓸모가 없습니다.

구체적인 사례: "빛의 고속도로" (MMI 분할기)

저자들은 이를 MMI 분할기라는 장치를 통해 테스트했습니다. 이것을 자동차(빛의 파동)가 들어오고, 합쳐지고, 다시 여러 차선으로 갈라지는 고속도로라고 생각하세요.

• 물리학: 자동차는 그냥 직진하는 것이 아니라, 도로를 따라 이동하는 동안 벽에 부딪히고 서로 간섭합니다(연못의 파동처럼).
• 결과: 출구에서 자동차가 어디에 도착하느냐는, 이동하는 전 과정 동안 파동이 어떻게 간섭했는지에 따라 결정됩니다.
• 실패 사례: 기존 AI 모델(NeurOLight 등)은 일반적인 "교통 흐름"은 잘 예측했습니다. 하지만 파동이 간섭하는 구체적인 방식에 충분히 주의를 기울이지 못했기 때문에, 출구에서 자동차가 엉뚱한 차선에 도착할 것이라고 예측했습니다. 이로 인해 전체적인 그림은 괜찮아 보였음에도 불구하고, "포트 출력"(올바른 차선에 도로에 들어오는 빛의 양)이 틀리게 되었습니다.

해결책: PaNO (The "Smart Navigator")

저자들은 PaNO(Propagation-Aligned Neural Operator, 전파 정렬 신경 연산자)라는 새로운 AI를 구축했습니다. PaNO는 단순히 이미지를 보는 일반적인 사진 편집기처럼 작동하는 대신, 교통 엔지니어처럼 생각합니다.

1. 여정을 이해합니다: 단순히 최종 이미지를 추측하는 대신, PaNO는 빛을 "모드(modes)"(서로 다른 종류의 자동차와 같은 것)로 나누고, 이들이 고속도로를 따라 단계별로 어떻게 이동하는지 추적합니다.
2. 물리학을 존중합니다: 빛이 특정 방향으로 이동하며 파동이 서로 상호작용한다는 사실을 알고 있습니다. 이는 단순히 패턴을 짐작하는 것이 아니라, 이 "흐름"을 시뮬레이션하는 것입니다.
3. "R2" 업그레이드: 그들은 또한 PaNO-R2라는 버전을 만들었습니다. 이것은 메인 시스템이 놓친 미세한 실수를 잡아내고 수정하기 위해 출구 램프를 특별히 감시하는 '두 번째 눈'을 가진 것과 같습니다.

결과: 사진은 더 "흐릿할지라도", 업무 수행 능력은 더 뛰어남

논문은 4,608개의 서로 다른 시나리오를 대상으로 대규모 테스트를 진행했습니다. 결과는 다음과 같습니다.

• 기존 방식 (NeurOLight): 전체적으로 매우 "선명한" 사진(낮은 전역 오차)을 보여주었지만, 종종 출구 차선을 틀리게 예측했습니다. 빛이 잘못된 포트로 들어갔습니다.
• 새로운 방식 (PaNO): 전체적으로 약간 "흐릿한" 사진(높은 전역 오차)을 보여주었지만, 출구 차인을 정확하게 맞췄습니다. 빛이 올바른 포트로 들어갔습니다.
• 승자 (PaNO-R2): 이 버전은 두 가지 장점을 모두 가졌습니다. 가장 선명한 전체 사진을 보여주면서도, 가장 정확한 출구 차선을 맞췄습니다.

핵심 요점:
이러한 빛 칩을 설계할 때는 전역적 정확도(global accuracy)만으로는 충분하지 않습니다. 서류상으로는 완벽해 보이지만, 출구의 미세한 디테일을 놓쳐 실제 환경에서는 실패하는 모델을 가질 수 있습니다. 저자들은 AI를 훈련시키고 테스트할 때 단순히 최종 이미지가 아니라, 빛의 여정과 최종 출구를 어떻게 다루는지에 초점을 맞춰야 한다는 것을 증명했습니다.

요약 비유

• 기존 AI: 풍경을 완벽하게 복사하는 화가이지만, 집의 문을 잘못 그리는 화가입니다. 만약 당신이 그 집에 들어가야 한다면, 그 그림은 쓸모가 없습니다.
• 새로운 AI (PaNO): 집이 어떻게 지어졌는지 이해하는 화가입니다. 하늘의 푸른 색조는 약간 다를 수 있지만, 문은 정확한 위치에 있고 길은 정확히 연결되어 있습니다.

이 논문은 빛 기반 칩을 설계할 때, AI를 단순히 전체 그림이 얼마나 "예쁜가"로 판단하는 것을 멈추고, 결정적인 출구 지점을 제대로 맞추는지로 판단해야 한다고 결론짓습니다.

기술 요약

기술 요약: 정확한 필드가 광학 설계를 오도할 것인가? 전역적 정확도에서 포트 판독까지

1. 문제 정의

뉴럴 필드 대리 모델(Neural field surrogates)은 복잡한 광학 필드를 예측하여 비용이 많이 드는 전파형 전자기 시뮬레이션(예: FDFD/FDTD)을 피함으로써 광학 설계 루프를 가속화하는 데 점점 더 많이 사용되고 있습니다. 그러나 **전역적 필드 정확도(global field accuracy)**와 국소적 소자 판독(localized device readouts) 사이에는 결정적인 불일치가 존재합니다.

다중 모드 간섭(MMI) 분기기 및 커플러와 같은 전파 지배형 소자에서, 설계 결정은 포트 전력, 분할비, 상대적 위상 및 결합 동작과 같은 국소적 출력 메트릭에 의존합니다. 이러한 메트릭은 전파 축을 따른 모드 간섭과 출력 윈도우 집계의 일관된 누적으로부터 도출됩니다. 대리 모델이 높은 전역 정확도(낮은 밀집 필드 오차 지표인 cMAE)를 달-성하더라도, 출력 포트에서의 국소적 강도 프로파일을 잘못 표현할 수 있습니다. 이러한 "필드-투-설계(field-to-design)" 불일치는 전체 필드 재구성이 시각적으로 정확해 보일지라도, 역설계 루프나 파라미터 스윕에서 후보 소자의 순위를 잘못 매기는 결과로 이어질 수 있습니다.

본 논문은 밀집 필드 오차 메트릭이 전체 계산 창(computational window)에 대해 평균을 내는 반면, 포트 양(port quantities)은 출력 강도 엔벨로프의 국소적 함수(local functionals)라는 점을 지적합니다. 결과적으로, 모델은 전역 오차를 최소화하면서도 포트 판독에 필요한 특정 전파 매개체(모드 위상 및 간섭 패턴)를 보존하는 데 실패할 수 있습니다.

2. 방법론

필드/매개체/판독 진단 관점 (The Field/Mediator/Readout Diagnostic View)
이를 해결하기 위해 저자들은 세 단계의 평가 프레임워크를 제안합니다:

1. 필드 메트릭 (Field Metrics): 밀집 복소 필드 재구성 측정 (예: cMAE).
2. 매개체 메트릭 (Mediator Metrics): 포트 집계 전의 전파 프로파일 일관성 및 출력 윈도우 엔벨로프 거동 측정.
3. 판독 메트릭 (Readout Metrics): 국소적 소자 양(포트 전력, 위상, 결합) 측정.
   이러한 분해는 전역 필드 충실도가 중간 단계의 물리적 양(포트 판독을 결정하는 양)을 희생시키면서 개선되지 않도록 보장합니다.

PaNO: 전파 정렬 뉴럴 오퍼레이터 (Propagation-Aligned Neural Operator)
저자들은 전방향 필드 예측 인터페이스(별도의 스칼라 포트 헤드 없음)를 유지하면서 MMI 전파의 물리에 부합하도록 설계된 뉴럴 오퍼레이터인 PaNO를 소개합니다. 이 아키텍처는 다음과 같은 특정 유도 편향(inductive biases)을 포함합니다:

• 다중 스케일 이방성 스템 (Multi-Scale Anisotropic Stem, MSAS): 전파 축($w$)과 횡축($y$)을 따라 서로 다른 커널 크기를 가진 심층 컨볼루션(depthwise convolutions)을 사용하여, 간섭 엔벨로프의 길쭉한 특성과 재료 경계의 날카로움을 존중합니다.
• 학습된 횡방향 모드 분해 (Learned Transverse Modal Decomposition): 원시 이미지 열을 스캔하는 대신, 모델은 횡방향 단면을 학습된 "모달 토큰(modal tokens)"으로 투영하여 소자 물리에 내재된 모드 구조를 드러냅니다.
• 선택적 상태 공간 전파 (Selective State-Space Propagation): 모달 토큰은 선택적 상태 공간 모델(SSM)을 사용하여 축 방향을 따라 전파됩니다. 이는 전통적인 PDE 솔버로 작동하는 대신, 에너지와 위상 누적의 방향성 있는 수송을 모사합니다.
• 제어된 교차 모드 결합 (Controlled Cross-Mode Coupling): 가벼운 잔차 MLP가 전체 필드를 디코딩하기 전에 교차 모드 상호작용(일관된 강도 계산에 필수적임)을 다시 도입합니다.

PaNO-R2: 출력 인지 피드백 (Output-Aware Feedback)
변형 모델인 PaNO-R2는 역방향 잔차 브랜치를 추가합니다. 이 브랜치는 입력 특징을 역방향 축 순서로 처리하여, 순수 순방향 백본이 놓칠 수 있는 출력 측 불연속성, 약한 반사 또는 고주파 잔차를 포착합니다. 이는 메인 출력과 융합되는 공간적 잔차 보정을 생성합니다.

3. 주요 기여

1. 대리 모델 불일치의 경험적 식별: 본 논문은 밀집 필드 cMAE를 최소화하는 것이, 특히 출력 프로파일이 누적된 모드 간섭에 의존하는 전파 지배형 소자에서 정확한 포트 판독을 보장하지 않는다는 것을 입증합니다.
2. 진단 프레임워크: 전방향 필드 예측에서 국소적 소자 기능으로 이어지는 체인을 평가하기 위한 프로토콜로서 필드/매개체/판독 뷰를 공식화합니다.
3. PaNO 아키텍처: 로컬 경계 구조를 인코딩하고, 횡방향 모달 토큰을 학습하며, 자기 이미지(self-imaging) 엔벨로프를 보존하기 위해 방향성 있는 상태 공간 전파를 활용하는 전파 정렬 뉴럴 오퍼레이터를 제안합니다.
4. 검증 및 트레이드오프: 15개 파장 튜너블 3×3 MMI 벤치마크에 대한 광범위한 실험을 통해, 전파 물리에 정렬하는 것이 전역 cMAE를 약간 희생하더라도 판독 충실도를 향상시킨다는 것을 검증합니다.

4. 실험 결과

연구는 15개 파장(1.530–1.565 µm)에 걸친 4608개의 홀드아웃 복소 필드 케이스를 포함하는 3×3 MMI 벤치마크에서 수행되었습니다.

• 베이스라인 대비 성능: NeurOLight(주요 베이스라인) 및 기타 뉴럴 오퍼레이터(FNO, UNet)와 비교했을 때, PaNO는 cMAE는 약간 높았음에도 불구하고(0.1822 vs. 0.1750), 훨씬 낮은 포트 전력 오차(0.2018 vs. 0.0739)와 더 나은 전파/출력 프로파일 오차를 달성했습니다.
• PaNO-R2의 우수성: PaNO-R2는 cMAE(0.1471), 포트 전력 오차(0.0551), 출력 프로파일 오차를 포함한 거의 모든 메트릭에서 최고의 성능을 보였으며, NeurOLight의 포트 전력 및 출력 프로파일 오차를 각각 72.7% 및 72.5% 감소시켰습니다.
• 상관관계 분석: 진단 분석 결과, 활성 영역 cMAE는 포트 전력 오차와 약한 상관관계(Spearian $\rho \approx 0.21$–$0.28$)를 보였습니다. 반면, **출력 프로파일 오차**는 포트 전력 오차와 훨씬 더 강한 상관관계($\rho \approx 0.47$–$0.76$)를 보여, 매개체 메트릭이 판독 실패를 예측하는 데 더 나은 지표임을 확인했습니다.
• 일반화: 타겟 도메인 적응 작업(파장 전이 및 굴절률 변화)에서 PaNO-R2는 베이스라인을 지속적으로 능가하였으며, 이는 전파 정렬된 파라미터화가 소자 토폴로지는 고정된 채 물리적 파라미터가 변하는 경우 잘 일반화됨을 시사합니다.
• 효율성: 추론 시간은 밀리초 범위(~RTX 5090에서 6.19 ms)를 유지하여, 참조 필드 생성 대비 약 3자리 수(1,000배)의 속도 향상을 제공합니다.

5. 의의 및 주장

본 논문은 국소적 판독이 있는 광학 소자의 경우, 전역적 필드 정확도만으로는 충분하지 않다고 결론짓습니다. 저자들은 대리 모델이 전체 필드/매개체/판독 체인을 중심으로 평가되고 설계되어야 한다고 주장합니다.

이 연구의 의의는 뉴럴 대리 모델의 설계 목표를 순수 이미지 재구성이 아닌 **물리 정렬 전파(physics-aligned propagation)**로 전환하는 데 있습니다. 중간 모드 및 전파 구조를 보존함으로써, PaNO와 같은 모델은 예측된 필드가 올바른 소자 수준의 메트릭을 산출하도록 보장합니다. 저자들은 현재의 연구가 주파수 영역의 2D $H_z$ MMI 소자 및 고정된 국소 포트에 국한되어 있으며, 위상 민감 판독은 여전히 과제로 남아 있음을 겸허히 언급합니다. 이들은 이 연구를 벡터 시뮬레이션 및 기타 광학 구성 요소로의 더 넓은 응용을 향한 단계로 위치시키며, "필드/매개체/판독" 진단 프로토콜이 신뢰할 수 있는 광학 AI 설계를 위한 필수 도구임을 강조합니다.