GAN 기반 지질 사전으로 수행하는 확률적 지진 파형 역산

초록

본 논문은 지하 구조와 물리적 특성을 생성하는 GAN을 사전 모델로 활용하고, 음향 파동 방정식의 어드조인트 해법으로 얻은 기울기를 MALA 샘플링에 결합해 지진 관측 데이터에 대한 베이지안 역산을 수행한다. 저차원 잠재 변수 공간에서 효율적인 탐색이 가능하며, 시추공 데이터와 같은 추가 제약도 자연스럽게 통합한다. 실험 결과는 다양한 지질 모델을 성공적으로 복원함을 보여준다.

상세 분석

이 연구는 지구 물리학에서 오래된 “역문제는 불안정하고 고차원”이라는 난제를 딥러닝 기반 사전 확률분포와 전통적인 PDE 기반 전방 모델링을 융합함으로써 해결하고자 한다. 핵심 아이디어는 두 단계로 나뉜다. 첫 번째는 대규모 지질 모델을 생성하는 생성적 적대 신경망(GAN)을 사전으로 훈련시켜, 잠재 변수 z 가 정규분포를 따르는 저차원 공간에 매핑되는 고차원 파라미터 m = Gθ(z) 을 얻는 것이다. 이때 Gθ 는 완전 미분 가능하므로 z 에 대한 기울기 ∂G/∂z 를 자동 미분으로 얻을 수 있다. 두 번째는 물리 기반 전방 모델인 시간 의존 음향 파동 방정식 L(u,mV)=q 을 풀어 합성 관측 d̂ = S(m) 을 생성하고, 어드조인트 상태 방정식을 이용해 데이터 불일치 J(m)=‖d̂−d_obs‖² 에 대한 파라미터 m 의 기울기 ∂J/∂m 을 계산한다. 이 두 기울기를 체인 룰에 의해 결합하면 ∂log p(d|z)/∂z = (∂J/∂m)·(∂G/∂z) 를 얻는다.

이 기울기를 이용해 Metropolis‑adjusted Langevin algorithm (MALA)의 근사 버전을 적용한다. MALA는 확률적 라플라시안 흐름에 노이즈를 추가해 제안 분포를 만들고, 메트로폴리스 수용률을 통해 정확한 베이지안 사후를 샘플링한다. 논문에서는 λ=10⁻⁵, ε₁=10⁻¹, ε₂=2ε₁ 등 고정 파라미터와 단계별 학습률 감소 전략을 사용해 수렴성을 확보한다. 또한 시추공에서 얻은 지질 계층 정보 m_facies 를 로그우도 항으로 추가함으로써, 잠재 변수 z 가 지표면 데이터와 깊이 데이터 모두를 만족하도록 유도한다.

기술적 기여는 다음과 같다. (1) 저차원 잠재 공간에서 어드조인트 기반 기울기를 직접 활용함으로써 고차원 파라미터 공간을 회피하고 연산 비용을 크게 절감한다. (2) GAN을 미분 가능한 사전으로 채택해, 기존의 정형화된 지오스타티스틱 모델보다 더 풍부하고 비선형적인 지질 구조를 표현한다. (3) MALA를 통해 단일 최적화 해가 아닌 다중 가능한 해 집합을 샘플링함으로써 불확실성을 정량화한다. (4) 추가적인 관측(시추공, 층위)도 동일한 프레임워크에 자연스럽게 삽입할 수 있다. 실험에서는 2D 도메인에 단순한 층상 구조와 복잡한 단층을 포함한 합성 데이터셋을 사용했으며, MALA 샘플링이 원본 모델의 통계적 특성(예: 평균 파동 속도, 층 두께 분포)을 정확히 복원함을 확인했다.

이 접근법은 (i) 전방 모델이 미분 가능하고 어드조인트 기울기를 제공할 수 있는 경우, (ii) 사전 모델이 충분히 표현력을 갖춘 생성 모델인 경우에 일반화 가능하다. 따라서 탄성 파동, 전자기 파동, 열전달 등 다양한 지구 물리학·공학 분야에 확장될 여지가 크다. 다만 현재 구현은 2D 시뮬레이션에 국한되어 있으며, GAN 훈련 비용, 어드조인트 연산의 메모리 요구량, MALA의 튜닝 민감도 등이 실제 대규모 3D 현장 적용 시 과제로 남는다.