스케일에 구애받지 않는 표면파 역전 프레임워크 USWIFT

초록

본 논문은 표면파 분산곡선의 스케일링 특성을 이용해 정규화함으로써, 하나의 사전 학습된 딥러닝 모델이 얕은 근접지층부터 지각 수준까지 다양한 깊이와 속도 스케일을 동시에 역전할 수 있는 통합 프레임워크 USWIFT를 제안한다. 가변 길이 입력을 처리하도록 설계된 트랜스포머 기반 네트워크와 베이지안 불확실성 추정 기법을 결합해 합성 및 현장 데이터에서 빠르고 견고한 결과를 보인다.

상세 요약

USWIFT는 표면파 분산곡선이 파동수와 속도에 대해 갖는 동차성(동일 스케일 변환 시 형태가 유지되는 특성)을 정량적으로 활용한다. 저자들은 먼저 모든 훈련 및 테스트 데이터의 파동수‑주기 축을 로그‑선형 공간으로 변환한 뒤, 최소-최대 정규화 혹은 평균-표준편차 정규화를 적용해 절대값 의존성을 제거한다. 이 과정은 입력 차원을 무차원화하여, 동일한 네트워크가 0.5 m부터 30 km까지 다양한 깊이 범위의 Vs 프로파일을 동시에 학습하도록 만든다.

네트워크 아키텍처는 가변 길이 시퀀스를 직접 다룰 수 있는 트랜스포머 인코더‑디코더 구조를 채택한다. 입력 토큰은 정규화된 주기‑속도 쌍이며, 포지셔널 인코딩은 로그‑주기 스케일에 맞추어 설계돼 파동수 간의 비선형 관계를 보존한다. 디코더는 연속적인 깊이 샘플링 포인트에 대한 Vs 값을 순차적으로 예측하며, 각 단계에서 이전 예측값을 컨텍스트로 활용해 깊이‑연속성을 강화한다.

불확실성 추정을 위해 저자들은 MC‑드롭아웃과 앙상블 기법을 결합한 베이지안 접근을 도입했다. 추론 시 여러 번의 드롭아웃 샘플을 평균·분산 계산함으로써, 예측 Vs 프로파일에 대한 신뢰 구간을 제공한다. 이는 현장 데이터에서 잡음·비선형 효과가 큰 경우에도 결과 해석에 중요한 정보를 제공한다.

실험에서는 1 × 10⁶개의 합성 모델을 생성해 다양한 지질학적 시나리오(층두께, 속도 대비, 비등방성)를 포함시켰으며, 훈련‑검증‑테스트 분할을 통해 일반화 성능을 검증했다. 합성 테스트에서는 평균 절대 오차가 3 % 이하였고, 깊이별 오차는 얕은 층(0–10 m)에서 약간 상승했지만 여전히 5 % 미만을 유지했다. 현장 사례로는 도심 지반 조사와 대륙붕 지진학 데이터가 사용됐으며, 전통적 전역 최적화 역전과 비교했을 때 계산 시간은 0.02 초 수준으로 3–4 orders of magnitude 가량 빠르면서도 유사한 구조적 해석 결과를 얻었다.

한계점으로는 정규화 과정이 극단적인 고속·저속 구간(예: 초고속 화산암층)에서 스케일링 가정을 약간 위배할 수 있다는 점과, 트랜스포머의 메모리 요구량이 매우 긴 분산곡선(수천 포인트)에서는 GPU 메모리 제한에 부딪힌다는 점을 들 수 있다. 향후 연구에서는 다중 모드(레이와 레이리) 결합, 물리 기반 손실 함수 도입, 그리고 경량화된 어텐션 메커니즘을 통한 실시간 모바일 적용 가능성을 탐색할 예정이다.