최근 몇 년 동안 인체가 밀리미터파(mmWave) 전기장(E-field)에 노출되는 수준을 정확하게 평가하는 것이 공중 보건 및 안전에 매우 중요해졌습니다. 국제전기기술위원회(IEC)와 전기전자기술자협회(IEEE)의 규격(IEC/IEEE 63195-2 표준)에 따르면, 밀리미터파 전자기 노출 평가는 고공간 해상도의 전기장 분포 데이터를 필요로 합니다. 본 연구에서는 전기장 그래디언트 손실을 결합한 생성적 적대 신경망(GAN)을 제안하며 이를 EFGraGAN이라 명명하여 밀리미터파 전기장의 초해상도 복원에 활용합니다. 전기장 그래디언트 손실 도입으로 네트워크는 국소 장 강도 진폭과 공간 구조를 동시에 학습할 수 있어 복원된 전기장 지도의 정확도를 높이고 구조적 세부사항을 풍부하게 합니다. 다양한 종류의 안테나에 대한 모델의 일반화 성능을 높이기 위해 평면파 적분 표현(PWIR)과 임의 매개변수화된 입사를 이용해 훈련 데이터셋을 생성하여 다양한 장 분포 상황을 시뮬레이션하였습니다. 쌍선형 보간법과 결합된 이 방법은 30 GHz와 60 GHz 주파수 대역에서 모두 고해상도 복원을 달성하여 IEC/IEEE 63195-2 표준의 노출 평가 요구사항을 만족시킵니다. 수치 시뮬레이션 결과 4×4 쌍극자 배열 장면(주파수 최대 60 GHz)에서 EFGraGAN은 피부 체모델 내 전기장 분포 복원 시 최대 평균 상대 오차(MRE)가 9% 미만으로 기존 선형 보간법과 GAN 모델보다 우수한 성능을 보였습니다. 또한 본 방법은 잡음에 대한 강한 견고성을 보여 기존 측정 시스템이 밀리미터파 노출을 정확하고 효율적으로 평가하는데 도움을 줄 것으로 기대됩니다.

장 복원; 생성적 적대 신경망(GAN); 밀리미터파(mmWave) 노출