물리 기반 확산 생성으로 지자기 지도 보간

초록

**
본 논문은 지자기 지도 보간에 특화된 물리‑인포드 확산 생성 프레임워크(PDG)를 제안한다. 관측 노이즈와 물리 법칙 위반 문제를 해결하기 위해 (1) 지역 수용 영역을 동적으로 조절하는 물리‑인포드 마스크 전략을 도입해 노이즈를 억제하고, (2) 크리깅 원리를 이용한 물리‑인포드 손실을 추가해 생성 결과가 지자기장의 연속성과 평활성을 만족하도록 제약한다. 네 개의 실제 데이터셋에 대한 실험에서 평균 80% 이상의 오차 감소와 뛰어난 시각적 일관성을 입증하였다.

**

상세 분석

**
PDG는 기존의 스캐터드 데이터 보간 방법이 지자기 데이터에 적용될 때 발생하는 두 가지 핵심 한계를 정확히 짚어낸다. 첫 번째는 관측 노이즈가 지도 전반에 퍼져 모델이 과도하게 왜곡된 값을 학습하게 만든다는 점이며, 두 번째는 딥러닝 기반 모듈이 비선형성을 갖기 때문에 지자기장의 공간적 연속성과 매끄러움을 깨뜨린다는 점이다. 이를 해결하기 위해 저자는 확산 모델의 역전 과정에 물리‑인포드 마스크(PIM)를 삽입한다. PIM은 각 타깃 포인트마다 현재 diffusion step t에 따라 K(t)개의 가장 가까운 관측 포인트만을 선택해 attention 연산에 참여하도록 제한한다. 초기 단계에서는 K를 크게 잡아 전역적인 구조를 빠르게 파악하고, 후반부에서는 K를 작게 하여 미세한 지역 패턴을 정교하게 복원한다. 이렇게 하면 노이즈가 포함된 먼 포인트의 영향을 최소화하면서도 점진적인 세부 보강이 가능해진다.

두 번째 핵심 기법은 크리깅‑가이드 물리‑인포드 손실(L_Kriging)이다. 크리깅은 지자기학에서 거리 기반 공분산을 이용해 공간적 자기상관을 모델링하는 전통적 방법으로, 실제 지자기장은 거리 증가에 따라 변동이 점진적으로 커지는 특성을 가진다. 저자는 예측값과 실제값 사이의 경험적 변곡량(variogram) 차이를 최소화하는 손실을 정의하고, 각 타깃 포인트에 대해 t개의 최근접 이웃만을 사용해 계산 비용을 제한한다. 이 손실은 기존의 MSE 기반 노이즈 예측 손실(L_ε)와 가중치 λ로 결합되어 전체 학습 목표를 형성한다. 결과적으로 모델은 단순히 노이즈를 제거하는 수준을 넘어, 물리적으로 타당한 공간 변동 패턴을 스스로 학습한다.

실험 설계는 네 개의 실제 비행 경로 기반 데이터셋(A‑InX, A‑InZ, A‑OutZ, B‑InT)에서 수행되었다. 각 데이터셋은 8:1:1 비율로 학습·검증·테스트로 분할됐으며, NVIDIA A800 GPU에서 실험했다. 비교 대상은 CNP, ANP, BANP, NIER‑T, TFR‑Transformer, HINT 등 최신 신경 프로세스 및 트랜스포머 기반 보간 모델이다. 정량적 결과는 RMSE, MAE, MAPE, MSE 등 네 가지 지표에서 PDG가 평균 80% 이상의 오차 감소를 보이며, 특히 B‑InT와 같은 대규모 고노이즈 데이터셋에서 다른 모델이 OOM(메모리 초과) 오류를 일으키는 반면 PDG는 안정적으로 학습·추론한다.

또한, Ablation Study에서 PIM과 L_Kriging을 각각 제거했을 때 성능이 현저히 저하되는 것을 확인했다. 이는 두 구성 요소가 서로 보완적으로 작용해 노이즈 억제와 물리 일관성 확보라는 두 목표를 동시에 달성한다는 증거이다. 파라미터 민감도 분석에서는 diffusion step 수가 5~20 사이일 때 가장 좋은 성능‑효율 균형을 보였으며, K_max 값이 초기 단계의 전역 패턴 포착에 크게 영향을 미치는 반면 K_min은 최종 정밀도에 미치는 영향이 상대적으로 작았다.

전체적으로 PDG는 확산 모델의 강력한 생성 능력에 물리‑인포드 제약을 결합함으로써, 기존 딥러닝 보간 방법이 갖는 “노이즈에 취약하고 물리 법칙을 위반한다”는 문제를 근본적으로 해결한다. 이는 지자기 지도뿐 아니라, 다른 물리 기반 스캐터드 데이터(예: 대기 오염, 해양 온도)에도 확장 가능성을 시사한다.

**