자동 미분을 활용한 범용 파이토그래피 재구성 프레임워크

본 연구는 파이토그래피(ptychography)라는 코히어런트 회절 영상법의 핵심 문제인 위상 회복(phase retrieval)을 최적화 관점에서 재조명한다. 파이토그래피는 겹치는 탐사점들을 이용해 물체의 복소 전송 함수를 복원하는데, 전통적으로는 오류 함수 f(O,P…) 에 대한 미분식을 손수 도출하고 이를 기반으로 ePIE, Wirtinger 흐름, conjugate gradient 등 다양한 그래디언트 기반 알고리즘을 구현한다. 그러나 이러한 방식은 전방 모델에 새로운 물리 현상(예: 부분 코히런스, 탐사 빔 변동, 포지션 오차, 픽셀 크기 보정 등)을 추가할 때마다 미분식을 다시 유도해야 하는 큰 제약이 있다. 저자들은 이러한 문제를 해결하기 위해 자동 미분(Automatic Differentiation, AD)을 도입한다. AD는 함수 f 를 연산 그래프 형태로 기록하고, 역전파를 통해 각 입력 변수에 대한 정확한 편미분을 자동으로 계산한다. 특히 역방향 모드 AD는 입력 차원이 많아도 연산 비용이 전방 연산의 2~3배 수준에 머물러, 대규모 복소 변수에 대한 그래디언트 계산에 매우 효율적이다. 논문은 먼저 AD의 기본 원리와 역방향 모드가 어떻게 체인 룰을 재귀적으로 적용하는지를 수식과 표(전방 패스/역방향 패스)를 통해 상세히 설명한다. 이어서 파이토그래피 오류 함수가 복소 변수 z∈ℂⁿ 에 대한 실수값 목표함수 f(z) 임을 강조하고, Wirtinger 미분 연산자를 이용해 실수와 허수 부분을 별도로 미분함으로써 AD와 자연스럽게 결합할 수 있음을 보인다. 실험 부분에서는 먼저 전통적인 원거리 전송 파이토그래피 모델을 설정한다. 물체 전송 함수 O, 탐사 빔 P, 이동 연산 S_j 등을 정의하고, 푸리에 변환 F와 절댓값 제곱을 통해 검출기 강도 h_j 를 계산한다. 잡음 모델은 포아송(샷 노이즈)와 가우시안(열 잡음) 두 가지를 포함한다. 이 전방 모델을 텐서플로우/파이토치와 같은 현대 딥러닝 프레임워크에 구현한 뒤, AD를 이용해 ∂f/∂O 와 ∂f/∂P 를 자동으로 얻는다. 얻어진 그래디언트를 기존 ePIE에서 사용되는 수식적 그래디언트와 수치적으로 비교한 결과, 오차가 거의 없으며 동일한 수렴 특성을 보였다. 이는 AD가 파이토그래피 문제에 정확히 적용될 수 있음을 입증한다. 그 다음 저자들은 전방 모델을 점진적으로 복잡하게 만든다. 첫 번째는 근거리 파이토그래피이며, 여기서는 전파 전파(near‑field propagation)와 파동 전파 방정식의 비선형성을 포함한다. 두 번째는 3D Bragg 파이토그래피로, 물체를 3차원 격자에 배치하고 각 격자점에서 브래그 회절을 계산한다. 두 경우 모두 기존 수식적 미분식은 거의 불가능에 가까운 복잡성을 보이지만, AD 기반 파이프라인은 전방 모델만 수정하면 그대로 적용 가능했다. 최적화 알고리즘으로는 Adam, AMSGrad 등 최신 적응형 옵티마이저를 사용했으며, GPU 가속을 통해 연산 시간을 기존 방법과 비슷하거나 약간 개선된 수준으로 유지했다. 복원 결과는 시뮬레이션된 물체와 매우 높은 상관관계를 보였으며, 특히 잡음이 강한 상황에서도 안정적인 수렴을 보여 AD 기반 접근법의 강인성을 확인했다. 마지막으로 저자들은 AD가 파이토그래피 외에도 코히어런트 회절 기반 이미지 복원 전반에 적용될 수 있음을 논의한다. 전방 모델을 물리적으로 정확히 기술하고, 자동으로 그래디언트를 얻음으로써 새로운 실험 설계(예: 다중 파장, 다중 모드 빔, 동적 샘플링 등)를 빠르게 프로토타이핑하고 최적화할 수 있다. 또한, 오픈소스 AD 프레임워크의 지속적인 발전과 커뮤니티 지원 덕분에 구현 비용이 크게 감소하고, 연구자들이 물리 모델링에 집중할 수 있는 환경이 조성된다. 결론적으로, 자동 미분은 파이토그래피 재구성의 유연성, 확장성, 효율성을 크게 향상시키는 범용 도구임을 입증하였다.