시뮬레이션과 현실을 잇는 지하 레이더 감지 물리 기반 계층형 도메인 적응과 적대 학습

초록

본 연구는 유한차분시간영역(FDTD) 시뮬레이션으로 생성한 합성 GPR 데이터와 실제 현장 데이터 사이의 도메인 차이를 최소화하기 위해 물리‑Guided 계층형 도메인 적응 프레임워크와 깊은 적대 학습을 결합한 새로운 방법을 제안한다. 실험실 및 현장 1·2층 재료 테스트에서 기존 1D CNN 및 DANN 대비 높은 상관계수와 낮은 편향을 달성했으며, 추정 정확도와 안정성을 크게 향상시켰다.

상세 분석

이 논문은 지하 레이더(GPR) 기반 물성 추정 문제를 ‘시뮬레이션‑실제(domain gap)’이라는 핵심 난제에 초점을 맞추어 접근한다. 첫 번째 핵심은 물리 기반 시뮬레이션(FDTD)을 이용해 대규모 라벨링된 합성 데이터를 생성한다는 점이다. FDTD는 맥스웰 방정식을 수치적으로 풀어 전자기파 전파를 정확히 모델링하지만, 2‑D 근사, 파형 가정, 경계조건 등 현실과의 차이로 인해 시뮬레이션 데이터와 실제 GPR 신호 사이에 분포 차이가 발생한다. 이러한 차이를 무시하고 직접 학습하면 모델이 실제 데이터에 과적합되지 못하고 성능이 급격히 저하된다.

두 번째 핵심은 ‘계층형 도메인 적응(Hierarchical Domain Adaptation)’이다. 기존의 단일 네트워크가 모든 물성(유전율, 전도도, 깊이)을 동시에 회귀하는 방식은 복합적인 비선형 관계와 파라미터 간 상호작용으로 인해 학습 난이도가 높다. 저자는 Sobol 민감도 분석을 통해 파라미터 중요도를 사전 평가하고, 가장 영향력이 큰 파라미터부터 순차적으로 추정하도록 네트워크를 계층화한다. 이렇게 하면 앞 단계에서 얻은 추정값을 다음 단계의 입력으로 활용해 탐색 공간을 축소하고, 각 단계별 손실 함수가 더 명확해져 수렴 속도가 빨라진다.

세 번째 핵심은 ‘물리‑Guided 적대 학습(Physics‑Guided Adversarial Learning)’이다. 전통적인 DANN은 도메인 구분자를 통해 소스와 타깃 특성을 동일하게 만들지만, GPR 신호는 물리적 의미가 강한 파형 구조를 포함한다. 저자는 특성 추출기(feature extractor)에서 얻은 잠재 표현을 다시 원본 신호로 복원(reconstruction)하도록 디코더를 추가함으로써, 복원 손실을 물리적 제약으로 활용한다. 이는 도메인 불변 특성뿐 아니라 물리적 정보를 보존하도록 강제한다. 또한, 두 종류의 적대 네트워크(PhyDANN‑1, PhyDANN‑2)와 그 계층형 변형(HierPhyDANN‑1, HierPhyDANN‑2)을 설계해, 1단계와 2단계 각각에 맞는 손실 가중치를 조절한다.

실험 설계는 실험실(단일·이중 층 토양·목재)과 현장(단일·이중 층 토양·잎·목재칩)으로 확장되어, 시뮬레이션‑실제 전이의 일반성을 검증한다. 평가 지표는 Pearson 상관계수(R), Bias, RMSE, ubRMSE, 추정 표준편차, 추론 시간 등이다. 결과는 모든 테스트 시나리오에서 제안 방법이 기존 1D CNN(시뮬레이션 전용)과 DANN(단일 네트워크)보다 R 값을 평균 0.050.12 상승시키고, Bias를 2035 % 감소시켰으며, 표준편차 역시 현저히 낮았다. 특히 계층형 접근이 없는 경우보다 추정 정확도가 8~15 % 향상되는 등, 복합 파라미터 회귀에 있어 계층 구조의 효과가 명확히 드러났다.

마지막으로, 제안 방법은 기존의 반복적 모델 업데이트 방식에 비해 추론 속도가 수십 배 빠르며, 실시간 혹은 근실시간 모니터링에 적합함을 강조한다. 한계점으로는 2‑D 시뮬레이션에 의존한 점, 복잡한 비균질성(예: 비정형 경계) 모델링 부족, 그리고 타깃 도메인에 라벨이 전혀 없는 완전 무지도 상황에서의 성능 검증이 부족한 점을 들었다. 향후 연구에서는 3‑D FDTD와 더 정교한 파형 모델링, 그리고 메타‑학습 기반의 적응성을 도입해 더욱 일반화된 프레임워크를 구축할 여지가 있다.