물리 정보 신경망 (Physics-informed neural networks, PINNs)은 최근 제한된 경계 데이터로부터 Calderón 역문제 (Calderón inverse problem)를 해결하기 위한 유망한 프레임워크로 부상했습니다. 본 연구에서는 무작위 웨이브릿 함수 (randomized wavelet functions)에 기반한 다중 스케일 경계 흥분 (multiscale boundary excitations)을 도입하고, 날카로운 전도도 변화를 표현하기 위한 푸리에 특징 인코딩 (Fourier-feature encoding, FFE)의 역할을 조사함으로써 신경 Calderón 역전 (neural Calderón inversion)을 재검토합니다. 우리는 미지의 전도도와 적용된 경계 흥분에 따라 조건화된 별도의 신경망을 통해 관련 전기 전위 (electric potentials) 군을 표현하는 물리 정보 재구성 프레임워크를 제안합니다. 지배적인 타원형 편미분 방정식 (elliptic PDE)은 물리 정보 잔차 (physics-informed residuals)를 통해 강제되며, 유한한 Dirichlet-to-Neumann (DtN) 데이터는 경계 손실 (boundary losses)을 통해 통합됩니다. 유한 차분 순방향 솔버 (finite-difference forward solver)로부터 얻은 합성 데이터를 사용하여, 포함물 (inclusions), 날카로운 계면 (sharp interfaces), 매끄러운 프로파일 (smooth profiles), 그리고 불균질 매질 (heterogeneous media)을 가진 전도도 필드에 대해 이 방법을 평가합니다. 결과에 따르면, 이 프레임워크는 유한한 경계 측정값으로부터 약 $3%$-$12%$ 사이의 상대 오차로 주요 전도도 구조를 복원합니다. 우리는 FFE가 국소적인 날카로운 특징, 특히 포함물과 계면의 재구성을 개선한다는 것을 보여주지만, 이것이 보편적으로 최적인 것은 아니며, 더 매끄러운 필드에 대해서는 원시 좌표 네트워크 (raw-coordinate networks)가 경쟁력 있는 성능을 보임을 입증합니다. 이러한 결과는 좌표 표현 (coordinate representations)과 경계 흥분 설계 (boundary excitation design)가 신경 Calderón 역전의 핵심 요소임을 강조합니다.