아토초 스트리킹 위상 회복은 펨토초 이하 시간 척도의 전자 동역학을 해결하는 데 필수적이지만, 기존 알고리즘은 반복적인 최소화 및 중심 운동량 근사에 의존하여 광대역 펄스의 정확도를 저하시킵니다. 본 연구에서는 위상 회복을 지도 학습 컴퓨터 비전 문제로 재구성하고 네 가지 신경망 아키텍처를 체계적으로 비교합니다. 합성곱 신경망(CNN)은 국부적인 스트릭 가장자리에 대한 강한 민감도를 보이지만 전역적 맥락이 부족합니다. 비전 트랜스포머(ViT)는 국부적 귀납적 바이어스를 희생하면서 장거리 지연-에너지 상관관계를 포착합니다. 하이브리드 CNN-ViT 모델은 국부적 특징 추출과 전체 그래프 어텐션을 통합합니다. 캡슐 네트워크는 동적 라우팅을 통해 공간적 자세 일치를 더욱 강화합니다. 이론적 분석에서는 국부적, 전역적 및 위치적 민감도 척도를 도입하고 CNN < Capsule 순서를 예측하는 대리 오차 경계를 도출합니다. 합성 스트리킹 스펙트로그램에 대한 제어된 실험은 이러한 계층 구조를 확인하며, 캡슐 네트워크가 가장 높은 회복 충실도를 달성합니다. 향후 물리 정보 신경망에 강한 장 필적분을 포함하고 광자 하드웨어 구현을 탐색하는 것은 까다로운 실험 조건에서 실시간 아토초 펄스 특성 분석을 위한 경로를 약속합니다.
