딥러닝과 물리 기반 접근의 만남: 차세대 광자 소자 설계의 혁신, AdjointDiffusion

서동진 등 연구원팀이 개발한 AdjointDiffusion은 딥러닝과 물리 기반 접근을 결합하여 기존 광학 소자 설계 방식의 한계를 극복하는 혁신적인 기술입니다. 적은 시뮬레이션으로 고성능, 고효율의 제작 가능한 광학 소자 설계를 가능하게 하여 차세대 광학 기술 발전에 기여할 것으로 예상됩니다.

자유 형태의 광자 소자 설계는 가능한 형상의 수가 방대하고 제작 제약 조건이 복잡하여 매우 어려운 과제입니다. 기존의 역설계 방식들은 인간의 직관, 전역 최적화 또는 수반 기반 경사법에 의존하여 복잡한 이진화 및 필터링 단계를 거쳐야 했고, 최근의 딥러닝 전략들은 엄청난 수의 시뮬레이션(10^5~10^6)을 필요로 했습니다.

하지만 서동진, 음수빈, 이상빈, 예종철, 정해준 연구원 팀은 이러한 한계를 극복하기 위해 AdjointDiffusion, 즉 수반 감도 기울기를 확산 모델의 샘플링 과정에 통합하는 물리 기반 프레임워크를 제시했습니다. 이는 획기적인 접근입니다. 기존 방식의 단점을 명확히 인지하고, 이를 해결하기 위해 수반 기울기를 활용하는 아이디어는 매우 창의적이며, 실제 제작 가능성까지 고려한 설계를 가능하게 합니다.

AdjointDiffusion은 우선 제작 가능성을 고려한 이진 마스크의 합성 데이터셋으로 확산 네트워크를 학습합니다. 추론 과정에서는 후보 구조의 수반 기울기를 계산하여 각 잡음 제거 단계에서 물리 기반 안내를 주입합니다. 이를 통해 추가적인 후처리 없이 성능 지표(FoM)가 높은 솔루션으로 생성 과정을 유도합니다. 이는 단순한 딥러닝 기법이 아닌, 물리적 지식과 딥러닝의 시너지를 통해 효율성을 극대화하는 전략입니다.

연구팀은 굽은 도파관과 CMOS 이미지 센서 색상 라우터라는 두 가지 대표적인 광자 설계 문제에 이 방법을 적용했습니다. 그 결과, AdjointDiffusion은 MMA 및 SLSQP와 같은 최첨단 비선형 최적화 프로그램보다 효율성과 제작 가능성 측면에서 꾸준히 뛰어난 성능을 보였습니다. 더욱 놀라운 점은 순수 딥러닝 기법(약 10^5~10^6)보다 훨씬 적은 시뮬레이션(약 2 x 10^2)만 사용했다는 것입니다. 이는 자원 효율성 측면에서도 압도적인 우위를 보여줍니다.

복잡한 이진화 일정을 제거하고 시뮬레이션 오버헤드를 최소화함으로써, AdjointDiffusion은 차세대 광자 소자 설계를 위한 간소화되고 시뮬레이션 효율적이며 제작 가능성을 고려한 파이프라인을 제공합니다. Github에서 오픈소스로 공개되어 있어(https://github.com/dongjin-seo2020/AdjointDiffusion), 누구든 활용할 수 있다는 점 또한 주목할 만합니다. 이 연구는 광학 및 딥러닝 분야의 협력 연구를 통해 어떻게 실제 응용 가능한 혁신적인 기술을 개발할 수 있는지 보여주는 좋은 사례입니다. 앞으로 이 기술이 광학 및 관련 분야에 어떤 영향을 미칠지 기대됩니다.