[논문 리뷰] Reconstruction of Current Densities from Magnetic Images by Bayesian Inference

Colin B. Clement, James P. Sethna외 1명|arXiv (Cornell University)|2019. 10. 28.

Advanced X-ray and CT Imaging인용 수 4

한 줄 요약

이 논문은 분석적으로 다룰 수 있는 티코노프 정규화를 초월하여, 푸르비우스 행렬의 헤시안 행렬 노름과 총 변동성과 같은 비전통적 사전 분포를 포함한, 마그네틱 영상에서 2차원 전류 밀도를 재구성하기 위한 베이지안 추론 프레임워크를 제시한다. 이 방법은 적응형 다중 목적 최적화(ADMM) 기반 최적화와 경험적 사전 강도 선택을 통해 경계 전류와 노이즈가 있는 데이터에서도 강인하고 물리적으로 타당한 재구성을 가능하게 한다.

ABSTRACT

Electronic transport is at the heart of many phenomena in condensed matter physics and material science. Magnetic imaging is a non-invasive tool for detecting electric current in materials and devices. A two-dimensional current density can be reconstructed from an image of a single component of the magnetic field produced by the current. In this work, we approach the reconstruction problem in the framework of Bayesian inference, i.e. we solve for the most likely current density given an image obtained by a magnetic probe. To enforce a sensible current density priors are used to associate a cost with unphysical features such as pixel-to-pixel oscillations or current outside the device boundary. Beyond previous work, our approach does not require analytically tractable priors and therefore creates flexibility to use priors that have not been explored in the context of current reconstruction. Here, we implement several such priors that have desirable properties. A challenging aspect of imposing a prior is choosing the optimal strength. We describe an empirical way to determine the appropriate strength of the prior. We test our approach on numerically generated examples. Our code is released in an open-source exttt{python} package called exttt{pysquid}.

연구 동기 및 목표

• 고체물리학 분야에서 노이즈가 많고 흐린 자기장 영상으로부터 전류 밀도를 재구성하는 정의되지 않은 역문제를 해결한다.
• 전통적인 티코노프 정규화의 한계를 극복하기 위해 총 변동성과 헤시안 기반 정규화와 같은 분석적으로 다룰 수 없는 사전 분포를 가능하게 한다.
• 거울 대칭성이나 분석적 해법이 필요 없이 전류 보존 법칙과 유한한 장치 경계 조건과 같은 물리적 제약 조건을 통합한다.
• 실험 물리학 분야에서 재현 가능하고 확장 가능한 전류 재구성 도구 개발을 위한 실용적이고 오픈소스 구현(pysquid)을 개발한다.

제안 방법

• 자기장 측정치와 기저 전류 밀도 사이의 관계를 연결하는 생성 모델을 사용하여 전류 재구성을 베이지안 추론 문제로 공식화한다.
• 이차 공간 변화를 억제하기 위해 헤시안 행렬의 푸르비우스 노름 기반 사전 분포를 구현하여 라플라시안 기반 사전 분포보다 더 우수한 회전 불변성을 제공한다.
• 이차 도함수에 대한 비연속적이며 비제곱형 페널티를 적용하여 총 변동성 정규화를 시행함으로써 날카운 전류 경계를 유지한다.
• 대체 방식 다중 목적 최적화(ADMM)를 사용하여 최적화 문제를 해결함으로써 로그사후확률의 안정적이고 효율적인 최소화를 달성한다.
• 교차검증이나 이론적 가정에 의존하지 않고 최적의 사전 강도를 결정하기 위한 경험적 방법을 도입한다.
• 유한한 지원과 외부 모델 사전 분포를 ADMM 공식화를 수정하여 전류 밀도가 물리적 영역이나 알려진 전류 패턴에 제약을 두어 통합한다.

실험 결과

연구 질문

• RQ1 총 변동성과 헤시안 기반 정규화와 같은 비전통적이고 분석적으로 다룰 수 없는 사전 분포가 티코노프 정규화를 초월하여 전류 밀도 재구성 성능을 향상시킬 수 있는가?
• RQ2 표준 라플라시안 사전 분포보다 회전 불변성과 물리적 일관성을 어떻게 더 잘 강화할 수 있는가?
• RQ3 교차검증이나 분석적 근사치에 의존하지 않고 정규화 강도를 효과적으로 선택할 수 있는 경험적 방법은 무엇인가?
• RQ4 경계 전류와 비대칭 장치 기하구조는 베이지안 재구성 프레임워크 내에서 어떻게 물리적으로 타당하게 다룰 수 있는가?

주요 결과

• 헤시안 행렬의 푸르비우스 노름은 그 회전 불변성과 공간 기울기 처리 능력이 뛰어나 라플라시안보다 더 물리적으로 타당한 사전 분포를 제공한다.
• 총 변동성 정규화는 고주파 노이즈를 효과적으로 억제하면서 날카운 전류 경계를 유지하여 티코노프 정규화보다 경계 유지 성능이 뛰어나다.
• 제안된 ADMM 기반 최적화 프레임워크는 복잡하고 비연속적인 사전 분포를 갖는 문제에 대해 안정적이고 효율적인 해를 제공한다.
• 경험적 사전 강도 선택은 다양한 합성 테스트 케이스에서 강인한 재구성을 이끌어내며 교차검증에 대한 의존도를 감소시킨다.
• 거의 거울 대칭성이나 인위적 경계 조건 없이도 영상 경계에서의 전류 주입/방출을 물리적으로 타당하게 처리할 수 있다.
• 오픈소스 파이썬 패키지 pysquid는 실험 물리학 분야에서 재현 가능하고 확장 가능하며 커뮤니티 기반의 전류 재구성 도구 개발을 가능하게 한다.