Physics-Informed Neural Operator for Electromagnetic Inverse Scattering Problems

Motivation

Known: 기존의 대비 소스 역산란 (CSI: Contrast Source Inversion) 방법들은 비선형성과 병적 부정확성(ill-posedness)으로 인해 계산 시간이 길고 정확도가 낮으며 노이즈에 취약하다. 최근 딥러닝 기반 방법들(CNN, U-Net, GAN)은 속도 향상을 제공하지만 훈련 데이터 분포를 벗어난 경우 일반화 성능이 저하된다.
Gap: 기존 데이터 기반 딥러닝 모델들은 물리 제약을 충분히 고려하지 못하며, 위상 정보가 없는 무위상 역산란(phaseless inversion)이나 다중 주파수 조건에서 유연한 대응이 어렵다.
Why: 물리 정보와 신경 연산자를 통합하면 더 강력한 일반화 능력을 갖춘 통합 프레임워크를 구축할 수 있고, 다양한 측정 조건(단일/다중 주파수, 위상 유무)에서 적응 가능하다.
Approach: FNO, U-FNO, F-FNO 세 가지 신경 연산자 아키텍처를 비교하며, 좌표 주파수 인코딩(frequency encoding)으로 공간 표현 능력을 강화하고, 상태 손실(state loss)과 데이터 손실(data loss)을 결합한 완전 미분 가능한 프레임워크를 구성한다.

주파수 인코딩: 공간 좌표 (X, Y)를 삼각함수 기저 함수로 인코딩하여 M=10까지의 고주파 정보를 표현 능력에 추가한다.
신경 연산자 구조: 선형 lifting 연산자 P로 인코딩된 입력을 고차원 특징 공간으로 투영하고, Fourier 변환 기반 kernel 연산자 K를 통해 반복적으로 특징 필드를 업데이트한다 (d₀ → d₁ → ... → dₙ).
학습 가능한 텐서: 유전율 대비 χ̂를 신경망 파라미터와 독립적인 학습 가능한 텐서로 표현하여 물질 특성 공간을 직접 최적화한다.
하이브리드 손실 함수 (식 15):
- State loss (식 13): Lippmann-Schwinger 적분 방정식으로부터 유도되어 물리 제약을 강제한다.
- Data loss (식 14): 측정 산란장 데이터 d*와의 일치를 보장한다.
- TV 정규화: ‖∇χ̂‖₁/₂ 항으로 복원 이미지의 평탄성을 강제하여 과적합을 방지한다.
무위상 역산란: 위상 정보 손실에 의한 비선형성 완화를 위해 softplus 함수로 χ̂를 재매개변수화하여 비음성 제약을 적용한다 (식 16).

신경 연산자 + 물리 정보 결합: NeRF 개념을 차용한 좌표 주파수 인코딩과 신경 연산자를 전자기 역산란에 처음 적용하여 기존 CNN/U-Net 기반 방법과 차별화된다.
학습 가능한 텐서 표현: 신경망과 별도로 물질 특성을 직접 최적화하는 설계는 물리 제약과 데이터 기반 학습을 명확히 분리하여 해석성을 높인다.
완전 미분 가능한 프레임워크: 무위상 데이터 처리를 포함한 여러 역산란 시나리오를 단일 프레임워크로 통합하며, 기존 CSI의 복잡한 재공식화 없이 손실 함수 수정만으로 대응 가능하다.
다중 신경 연산자 비교: FNO, U-FNO, F-FNO를 같은 프레임워크 내에서 체계적으로 비교하여 아키텍처 선택에 대한 실용적 지침을 제공한다.

제한사항:
- 2D TMz 문제에만 적용되었으며, 3D 또는 다른 편광 모드로의 확장 가능성이 명확하지 않다.
- 학습에 필요한 훈련 데이터셋의 규모와 생성 방법이 명시되어 있지 않아 실제 적용 난이도를 평가하기 어렵다.
- 하이퍼파라미터 λ₁, λ₂, λᴿ의 선택 기준과 민감도 분석이 제시되지 않았다.
- 무위상 역산란에서 softplus 재매개변수화의 효과에 대한 이론적 근거가 부족하다.
후속 연구:
- 3D 벡터 파 문제 및 다양한 매질 모델로의 확장
- 비선형 신경 연산자(nonlinear operator) 적용 가능성 탐색
- 실험 데이터와의 검증을 통한 실제 응용성 평가
- 신경 연산자의 물리 정보 부호화 메커니즘에 대한 이론적 분석
- 불확실성 정량화(uncertainty quantification) 추가