Physics-Informed Neural Networks for Optimal Beam Shaping in Flat Optics

기술 요약: 평면 광학의 최적 빔 성형을 위한 물리 정보 신경망(PINN)

문제 정의
본 논문은 입사되는 광학 빔을 미리 정해진 목표 강도 분포로 재구성하기 위한 위상 전용 평면 광학 소자(SLM 또는 메타표면 등)를 설계하는 데 따르는 과제를 다룹니다. Gerchberg–Saxton(GS) 알고리즘과 같은 기존 방식은 반복적인 푸리에 광학에 의존하며, 이로 인해 재구성된 강도에서 스펙클 형태의 변동이 나타나는 불규칙한 위상 프로파일을 생성하는 경우가 많습니다. 대안적으로, 빔 성형을 에너지 보존 광선 매핑 문제로 공식화하면 Monge–Ampère 방정식을 도출할 수 있습니다. 그러나 이 방정식은 완전 비선형이며 잠재적으로 퇴화(degenerate)될 수 있어, 특히 원통형 대칭이 아닌 목표물에 대해 표준 유한 차분법이나 유한 요소법 솔버가 수렴하는 것을 어렵게 만듭니다.

방법론
저자들은 Monge–Ampère 빔 성형 방정식을 직접 해결하기 위해 물리 정보 신경망(PINN) 프레임워크를 제안합니다. 핵심 방법론은 다음 단계들을 포함합니다:

1. 이론적 공식화:

   • 문제를 위상 구배(phase gradient)가 나가는 광선의 방향을 결정하는 일반화된 스넬의 법칙을 사용하여 모델링합니다.
   • 광학적 전력 보존은 광선 매핑의 야코비안(Jacobian)을 통해 소스와 목표 사이의 관계를 강제하며, 이는 2차 비선형 편미분 방정식(PDE)인 Monge–Ampère 방정식으로 이어집니다.
   • 이 프레임워크는 두 가지 뚜렷한 기하학적 구조를 처리합니다:
     • 유한 거리(Finite-distance): 광선이 거리 $z$에 있는 특정 목표 평면으로 매핑됩니다. 이 방정식은 위상 구배와 전파 거리에 의존하는 복잡한 계수를 포함합니다.
     • 원거리 장(Far-field): 목표가 각도 분포(방향 코사인)로 정의됩니다. 여기서 목표 좌표는 직접적으로 위상 구배가 되며, 이는 방정식의 대수적 구조를 단순화합니다.

2. 정규화 및 네트워크 구조:

   • 서로 다른 물리적 척도로 인해 발생하는 컨디셔닝 문제를 해결하기 위해, 저자들은 좌표와 위상 변수를 무차원 정사각형 영역 $[-1, 1]^2$으로 정규화합니다.
   • 4개의 은닉층(각 150개 뉴런)과 매끄러운 $\tanh$ 활성화 함수를 가진 완전 연결 피드포워드 신경망이 정규화된 위상 포텐셜 $\bar{\Phi}(\bar{x}, \bar{y})$를 표현합니다.
   • PDE 잔차(residual)가 2차 미분을 요구하기 때문에 매끄러운 활성화 함수가 필수적입니다.

3. 학습 과정:

   • 네트워크는 Monge–Ampère 방정식의 점별 잔차(pointwise residual)를 최소화하도록 학습됩니다. 손실 함수는 콜로케이션 포인트(collocation points) 집합 전체에 걸친 전력 보존 위반의 평균 제곱 오차입니다.
   • 결정적으로, 이는 데이터 기반의 대리 모델(surrogate)이 아닙니다. 학습 신호는 광학 PDE 그 자체입니다. 사전 계산된 위상 레이블이나 광선 대응 관계는 사용되지 않습니다.
   • 자동 미분(PyTorch 활용)을 통해 헤시안 행렬식(Hessian determinant)에 필요한 1차 및 2차 미분을 계산합니다.
   • 매핑된 목표 좌표가 학습 가능한 위상에 의존하기 때문에, 목표 강도는 미분 가능한 쌍선형 리샘플링(bilinear resampling)을 사용하여 샘플링되며, 이를 통해 광학 매핑을 통해 그래디언트가 전파될 수 있도록 합니다.
   • 최적화에는 Adam을 사용한 후, 날카로운 특징 근처의 해를 정밀하게 조정하기 위해 풀 배치(full-batch) L-BFGS를 사용합니다.

4. 검증:

   • 학습된 위상 프로파일은 훈련 목적 함수인 광선 기반 모델과는 별개인 스칼라 회절 시뮬레이션(각 스펙트럼 전파)을 사용하여 독립적으로 검증됩니다.

주요 결과
저자들은 두 가지 수치 실험을 통해 방법의 효능을 입증합니다:

• 유한 거리 성형: 가우시안 빔이 10 cm 거리에서 매끄러운 별 모양의 플랫 탑(flat-top) 패턴으로 재구성됩니다. PINN이 생성한 위상은 목표 강도와 매우 유사한 프로파일을 생성하며, 회절 한계로 인한 불일치는 경계 근처에만 집중됩니다.
• 원거리 장 성형: 가우시안 빔이 원거리 장에서 "DT" 로고 패턴으로 성형됩니다. 이 방법은 매끄러운 위상 포텐셜과 함께 직사각형 지지 영역과 내부 피크를 성공적으로 재현합니다.
• Gerchberg–Saxton(GS)과의 비교: 동일한 원거리 장 로고 목표에 적용했을 때, PINN은 GS 알고리즘보다 우수한 성능을 보입니다.
  • 시각적 품질: GS는 상당한 스펙클과 고주파 진동을 생성하는 반면, PINN은 고주파 구조가 억제된 더 깨끗한 프로파일을 제공합니다.
  • 정량적 지표: PINN은 GS의 $2.08 \times 10^8$과 비교하여 약 $3.59 \times 10^6$의 평균 제곱 오차(MSE)를 달달성했습니다. 상대적인 제곱근 평균 제곱 오차(RMSE)는 GS의 22.6%에 비해 PINN은 2.97%입니다.
  • 효율성: 목표 지지 영역 내의 전력(에너지 효율)은 GS의 95.90%에 비해 PINN은 99.98%입니다.

의의 및 주장
본 논문은 PINN을 평면 광학의 빔 성형 문제에 적용한 첫 사례라고 주장합니다. 주요 기여는 다음과 같습니다:

1. 비선형 PDE 해결: 빔 성형을 위한 완전 비선형 Monge–Ampère 방정식을 해결하는 견고한 방법을 제시하며, 이는 전통적인 수치 솔버가 수렴에 어려움을 겪는 작업입니다.
2. 일반화: 이전의 원통형 대칭 메타표면 빔 성형 시연을 임의의 비원통형 대칭 목표로 확장했습니다.
3. 우수한 충실도: 결과는 PINN 유도 위상 프로파일이 Gerchberg–Saxton과 같은 기존의 위상 복원 방법보다 더 높은 정확도, 낮은 스펙클, 그리고 더 나은 에너지 효율을 제공함을 나타냅니다.
4. 파동 광학적 타당성: 광선 기반 학습과 독립적인 스칼라 회절 시뮬레이션 간의 일치는 학습된 광선 맵이 파동 효과를 고려할 때도 효과적으로 유지됨을 확인시켜 줍니다.

저자들은 이 PINN 접근 방식이 복잡한 목표 분포에 대해 기존의 반복적 푸라이어 방법의 유효한 대안을 제공하며, 평면 광학의 빔 성형 작업에 있어 우수한 정확도와 충실도를 제공한다고 결론짓습니다.