다중조건 확산 트랜스포머 기반 지진파 생성 모델

초록

본 논문은 변형된 확산 모델에 트랜스포머 구조를 결합한 “Seismic Wave Generator”를 제안한다. 다중조건(진원 파라미터, 지질 구조, 관측 환경 등)을 입력으로 받아 고품질·다양한 지진파를 합성하며, 생성된 파형을 이용해 위상 선택 및 규모 추정 모델을 학습시켰을 때 실제 데이터 대비 99% 수준의 정밀도·재현율을 달성한다. 이는 지역별 라벨 데이터 부족 문제를 완화하고 AI 기반 지진학 연구에 새로운 데이터 공급원을 제공한다는 점에서 의의가 크다.

상세 요약

이 연구는 기존 GAN 기반 지진파 생성 방식이 갖는 불안정성·모드 붕괴 문제를 근본적으로 해결하고자 확산 모델(Diffusion Model)의 확률적 역전파 과정을 채택하였다. 확산 모델은 노이즈를 점진적으로 제거하면서 데이터 분포를 학습하므로, 학습 초기에 발생하는 불안정성이나 발산 현상이 크게 감소한다. 특히, 본 논문에서는 “멀티-컨디셔널”(multi-conditional) 설계를 도입해 진원 파라미터(진원 위치·시간·진폭·주파수 스펙트럼), 지하 구조(속도 모델·층계), 관측 환경(노이즈 레벨·센서 배열) 등을 동시에 조건으로 제공한다. 이러한 다중조건 입력은 기존 단일조건(예: 진원 위치만) 모델에 비해 생성 파형의 다양성과 현실성을 크게 향상시킨다.

트랜스포머(Transformer) 모듈은 시계열 데이터의 장기 의존성을 효과적으로 포착한다는 점에서 선택되었다. 논문에서는 입력 조건을 토큰화하고, 위치 인코딩을 통해 시간·공간 정보를 보존한 뒤, 다중 헤드 어텐션을 적용한다. 이 과정에서 각 조건 간 상호작용을 학습함으로써, 예를 들어 특정 지질 구조가 특정 진원 파라미터와 결합될 때 나타나는 파형 특성을 정밀하게 모델링한다. 또한, 트랜스포머 기반 인코더‑디코더 구조는 파형 전체 길이와 샘플링 레이트가 달라지는 경우에도 유연하게 대응할 수 있다.

학습 단계에서는 2단계 전략을 사용한다. 첫 번째 단계는 조건부 확산 모델을 대규모 합성 데이터셋(전통적인 파동 전파 시뮬레이션 기반)으로 사전학습(pre‑training)하여 기본 파형 분포를 학습한다. 두 번째 단계에서는 실제 관측 데이터(노이즈가 포함된 실측 파형)로 미세조정(fine‑tuning)함으로써, 현장 데이터 특유의 잡음·비선형 효과를 반영한다. 이중 학습 체계는 모델이 과도하게 시뮬레이션에 의존하는 것을 방지하고, 실측 데이터와의 격차를 최소화한다.

평가에서는 생성 파형을 직접 시각·스펙트럼 분석하는 것뿐 아니라, 생성 파형을 이용해 downstream task(위상 선택, 규모 추정) 모델을 학습시킨 뒤 실제 파형에 대한 성능을 측정했다. 위상 선택 모델은 99% 수준의 정밀도와 재현율을 기록했으며, 규모 추정 모델은 기존 불균형 학습 데이터로 인한 편향을 현저히 감소시켰다. 이는 생성 파형이 실제 물리적 특성을 충분히 보존하고 있음을 실증한다. 또한, 다양한 조건 조합에 대해 모델이 일관된 품질의 파형을 생성함을 확인함으로써, 조건 제어 능력이 뛰어남을 입증했다.

한계점으로는 (1) 현재 실험이 주로 단일 지역(예: 캘리포니아) 데이터에 국한돼 있어 전 세계 다양한 지질 환경에 대한 일반화 검증이 부족하고, (2) 확산 모델의 샘플링 단계가 GAN에 비해 계산 비용이 높아 실시간 생성에는 아직 제약이 있다는 점을 들 수 있다. 향후 연구에서는 멀티‑GPU 병렬 샘플링, 라티스 기반 가속화, 그리고 지구물리학적 제약(예: 에너지 보존)과 결합한 물리‑인포메드(diffusion‑physics‑informed) 모델을 탐색할 필요가 있다. 전반적으로, 본 논문은 확산‑트랜스포머 융합이 지진파 생성 분야에 새로운 패러다임을 제시함을 보여준다.