물리 기반 신경 연산자를 활용한 고해상도 파동장 예측

초록

본 논문은 Helmholtz 방정식을 풀기 위해 물리 제약을 손실 함수에 직접 삽입한 물리‑인포드 컨볼루션 신경 연산자(PICNO)를 제안한다. 배경 파동장과 속도 모델을 입력으로 받아 산란 파동장을 출력하며, 제한된 학습 데이터에서도 고주파 영역과 복잡한 지질 구조에 대해 기존 데이터‑드리븐 CNO 대비 최대 53% 낮은 상대 오차와 향상된 물리 일관성을 달성한다.

상세 분석

본 연구는 주파수 영역에서 파동 전파를 기술하는 Helmholtz 방정식의 효율적 해석을 목표로 한다. 기존의 유한 차분, 스펙트럴, 의사 스펙트럴 방법은 모델 크기와 주파수가 증가함에 따라 연산량과 메모리 요구가 급격히 상승한다는 한계가 있다. 이러한 문제를 해결하고자 저자들은 물리‑인포드 컨볼루션 신경 연산자(PICNO)를 설계하였다. PICNO는 두 개의 입력 함수 공간, 즉 균일 매질에 대한 배경 파동장 (U_0)와 변동 속도 모델 (v)를 받아, 산란 파동장 (\delta U = U - U_0)을 출력한다. 여기서 (U_0)는 해석적으로 구할 수 있는 Green 함수 형태이며, 이는 소스 위치와 주파수 정보를 내재한다. 따라서 네트워크는 별도의 소스 임베딩 없이도 물리적 컨텍스트를 충분히 활용한다.

아키텍처는 전통적인 컨볼루션 신경 연산자(CNO)를 기반으로 하며, 입력을 고차원 잠재 공간으로 리프팅한 뒤, 여러 층의 컨볼루션((K)), 비선형 활성화((\Sigma), Leaky ReLU), 해상도 변환((V), 업/다운샘플링)으로 구성된다. 특히 U‑Net 형태의 스킵 연결을 도입해 다중 스케일 특징을 효과적으로 전달한다. 물리‑인포드 손실은 두 부분으로 구성된다. 첫 번째는 데이터 손실(예: MSE)로 실제 시뮬레이션 파동장과의 차이를 최소화하고, 두 번째는 이산화된 Helmholtz 연산자에 대한 잔차를 직접 계산해 물리적 제약을 강제한다. 자동 미분 대신 Fourier 기반 파생 또는 유한 차분을 이용해 PDE 잔차를 효율적으로 구함으로써 메모리 사용량을 크게 절감한다.

실험에서는 2D 합성 속도 모델을 이용해 다양한 주파수(저주파~고주파)와 소스 위치에 대해 학습·검증을 수행하였다. 제한된 학습 샘플(수백 개)에도 불구하고 PICNO는 순수 데이터‑드리븐 CNO 대비 평균 상대 오차를 30% 이상 감소시켰으며, 특히 10 Hz 이상의 고주파 영역에서 53%까지 오차 감소를 보였다. 또한, 훈련에 사용되지 않은 새로운 지질 구조와 주파수에 대해서도 물리‑인포드 손실 덕분에 안정적인 일반화 능력을 유지한다. 시각적으로도 산란 파동장의 위상과 진폭이 정확히 재현되어, 물리적 일관성이 크게 향상된 것을 확인할 수 있다.

이와 같이 PICNO는 (1) 배경 파동장을 활용한 물리적 사전지식 제공, (2) PDE 잔차를 손실에 포함한 물리‑인포드 학습, (3) 컨볼루션 기반의 지역적 특성 보존이라는 세 가지 핵심 요소를 결합함으로써, 기존 신경 연산자들의 일반화 한계를 극복하고 고해상도·고주파 파동장 예측에 실용적인 솔루션을 제공한다.