신경망 여행시간 대리모와 베이지안 지진 위치 추정: 3차원 매질에서 빠르고 정확한 불확실성 분석

초록

본 논문은 물리‑정보를 부여한 딥러닝 여행시간 대리모를 이용해 3‑차원 속도 구조에서 지진의 발생 위치와 시간의 베이지안 사후분포를 Gibbs 샘플링으로 추정한다. 대리모는 Eikonal 방정식을 강제 학습함으로써 전통적인 레이 트레이싱 없이도 고정밀 1차 도착 시간장을 재현한다. 실험 결과는 기존 비선형 위치 추정기인 NonLinLoc과 동일한 정확도를 유지하면서 연산 시간을 10배 이상 단축하고, 공간적 불확실성을 시각화한 상세한 사후 확률 지도를 제공한다는 점을 보여준다.

상세 분석

이 연구는 지진 위치 추정 문제를 완전 확률론적 프레임워크로 재구성하고, 물리 기반 딥러닝과 베이지안 샘플링을 결합한 새로운 파이프라인을 제시한다. 핵심은 3‑차원 속도 모델에 대한 첫 도착 여행시간 필드를 근사하는 신경망 대리모이다. 기존 방법은 각 후보 hypocenter에 대해 고성능 레이 트레이싱을 수행해야 하므로 계산 비용이 급격히 증가한다. 저자들은 Eikonal 방정식(∥∇T∥=1/v)을 손실 함수에 포함시켜, 신경망이 물리적 제약을 만족하도록 학습시켰다. 이를 통해 훈련된 모델은 입력된 좌표와 원천 시각에 대해 즉시 여행시간을 출력하며, 미분 가능성을 유지해 파라미터 공간 탐색에 유리하다.

베이지안 단계에서는 지진 발생 위치(x, y, z)와 발생 시각 t₀를 파라미터 벡터 θ로 정의하고, 관측된 도착 시간 d_i와 대리모가 예측한 여행시간 T_i(θ) 사이의 오차를 가우시안 likelihood로 모델링한다. 사전분포는 지리적 제한과 기존 지진학적 지식을 반영해 균등 혹은 정규분포 형태로 설정한다. Gibbs 샘플링은 각 파라미터를 조건부 사후분포에서 순차적으로 샘플링함으로써 고차원 사후분포를 효율적으로 탐색한다. 특히, 여행시간 대리모가 빠른 함수 평가를 제공하므로 수천에서 수만 번의 샘플링이 실시간에 가깝게 수행될 수 있다.

실험은 2021년 루딩(Luding) 여진 시퀀스를 대상으로 진행되었다. NonLinLoc과 비교했을 때 평균 위치 오차는 0.8 km 수준으로 차이가 없으며, 전체 위치 추정에 소요된 시간은 NonLinLoc이 약 45 s를 요구한 반면 제안 방법은 3.2 s에 불과했다. 또한, 사후 확률 지도는 복잡한 속도 구조에서 발생 가능한 다중 모드(예: 깊이와 수평 위치의 상관관계)를 명확히 드러내어, 기존 최적화 기반 방법이 제공하지 못하는 불확실성 정보를 제공한다.

한계점으로는 대리모의 학습이 고품질 3‑차원 속도 모델에 크게 의존한다는 점이다. 속도 모델이 부정확하거나 급격히 변하는 경우, 대리모가 재현하는 여행시간 장에 편향이 발생할 수 있다. 또한, Gibbs 샘플링은 조건부 사후분포가 복잡하면 수렴 속도가 느려질 위험이 있다. 향후 연구에서는 변분 추론이나 Hamiltonian Monte Carlo와 같은 고속 샘플링 기법을 도입하고, 다중 이벤트 동시 추정 및 실시간 데이터 스트리밍 환경에 대한 확장성을 검증할 계획이다.

전반적으로 이 논문은 물리‑정보 딥러닝과 베이지안 추론을 결합해 지진 위치 추정의 정확도, 속도, 그리고 불확실성 정량화를 동시에 달성한 혁신적인 접근법을 제시한다.