변형 센서 배열을 위한 해석 가능한 Sim to Real 지진원 추정 모델 SourceNet

초록

SourceNet은 변동적인 지진 관측소 배열에 맞춰 설계된 Transformer 기반 모델로, 물리 구조화 도메인 랜덤화(PSDR)를 통해 시뮬레이션과 실제 데이터 간 격차를 메우고, 적은 실측 데이터만으로도 고정밀 지진원 매개변수 추정을 가능하게 한다. 셋‑트랜스포머와 주의 메커니즘을 활용해 센서 간 상호작용을 학습하고, 주의 가중치를 분석함으로써 최적 실험 설계 원리를 자동으로 발견한다.

상세 분석

본 논문은 지진원 추정이라는 고차원 역문제에 대해 두 가지 근본적인 난관—불규칙한 센서 기하와 시뮬‑실 차이(시뮬‑투‑리얼 격차)—을 동시에 해결하려는 시도로 평가된다. 첫 번째 난관은 전통적인 CNN이 고정 격자에 의존하고, DeepSets와 같은 풀링 기반 집합 모델은 센서 간 상대적인 위상·진폭 차이를 손실한다는 점이다. 저자들은 이를 극복하기 위해 Set‑Transformer 구조에 기반한 Self‑Attention을 도입, 각 센서를 토큰으로 취급하면서 쌍대 상호작용을 O(N²) 복잡도로 직접 모델링한다. 특히, P‑Wave와 S‑Wave를 별도 1‑D ResNet 타워로 인코딩하고, 방위·거리·진폭 비율 등 스칼라 메타데이터를 병합해 물리적으로 의미 있는 임베딩을 만든 점이 주목할 만하다.

두 번째 난관인 시뮬‑투‑리얼 격차를 해소하기 위해 제안된 Physics‑Structured Domain Randomization(PSDR)은 기존 로봇 분야의 단순 시각·접촉 랜덤화와 달리, 지진 파동 전파에 직접 관련된 물리 파라미터—속도 모델, 신호 왜곡, 실제 잡음, 센서 가용성—를 무작위화한다. 17개의 서로 다른 1‑D 속도 모델, 시간·진폭 시프트, 실측 잡음 라이브러리, 센서 드롭아웃 등을 조합해 100 k개의 “거친” 합성 데이터를 생성함으로써 모델이 특정 지구 구조에 과적합되지 않도록 설계했다.

학습 절차는 두 단계로 나뉜다. 1) PSDR 적용 합성 데이터로 사전 학습해 물리 불변 특성을 학습하고, 2) 실제 2.5 k개의 레이블 데이터로 가중치 샘플링 기반 미세조정을 수행한다. t‑SNE 기반 잠재공간 정렬 실험에서, PSDR 없이 단순 미세조정만 한 베이스라인은 실측과 합성 사이에 뚜렷한 클러스터 분리를 보였으나, SourceNet은 두 도메인의 잠재 표현을 거의 동일하게 맞추어 도메인 적응 효과를 입증한다.

해석 측면에서는 주의 가중치 행렬을 시각화해 모델이 “정보 병목” 센서를 자동으로 식별하고, 정보 이득이 큰 센서에 높은 가중치를 부여함을 확인했다. 이는 사전 정의된 최적 실험 설계(OED) 원칙이 데이터‑드리븐 방식으로 내재되었음을 의미한다. 또한, 전체 파형(특히 코다 단계)까지 활용함으로써 전통적인 1차 모멘트 해법이 무시하는 미세한 방사 패턴을 포착, 모멘트 텐서 5 자유도와 규모(Mw) 추정에서 기존 DeepSets 대비 평균 절대 오차를 30 % 이상 감소시켰다.

계산 복잡도 측면에서, Set‑Transformer 기반 Self‑Attention은 N이 수십에서 수백 수준일 때 GPU 메모리와 연산량이 여전히 관리 가능하며, 실시간 추론(≤50 ms per event) 성능을 달성한다. 이는 기존 Green’s 함수 기반 역전파 솔버가 수초에서 수분이 걸리는 것과 큰 차이를 만든다.

종합하면, SourceNet은 (1) 불규칙한 센서 배열을 자연스럽게 처리하는 집합‑Transformer 설계, (2) 물리‑중심 랜덤화를 통한 시뮬‑실 격차 해소, (3) 주의 메커니즘을 통한 자동 실험 설계 학습이라는 세 축을 성공적으로 결합한 최초의 지진원 추정 프레임워크라 할 수 있다. 향후 다른 파동 기반 과학(예: 초음파 탐사, 전자기 파동)에도 동일한 접근법을 확장할 가능성이 높다.