파동 전파를 위한 상호성 강제 신경 연산자

초록

본 논문은 지진 파동 전파 모델링에 물리적 상호성 원리를 하드코딩한 트랜스포머 기반 신경 연산자(RENO)를 제안한다. 교차‑어텐션과 교환 가능한 연산을 이용해 소스와 수신기를 교환해도 동일한 결과를 보장하며, 다중 소스를 한 번에 처리해 추론 속도를 10배 이상 가속한다. 실험에서는 단일 수직 힘에 대한 입자 속도 필드를 대상으로 전통적인 신경 연산자와 비교해 물리적 일관성, 학습 효율, 메모리 사용량에서 우수함을 입증한다.

상세 분석

본 연구는 지진 파동 전파에서 가장 근본적인 물리 법칙 중 하나인 상호성(reciprocity)을 모델 구조 수준에서 강제한다는 점에서 혁신적이다. 기존 신경 연산자(Neural Operator)는 데이터 기반으로 PDE 해를 근사하지만, 물리적 제약을 명시적으로 반영하지 않으면 학습 과정에서 물리 법칙을 완전히 만족시키지 못한다. RENO는 이러한 한계를 극복하기 위해 트랜스포머의 교차‑어텐션 메커니즘을 활용한다. 구체적으로, 소스와 수신기 좌표를 두 가지 순열로 결합하고 동일한 MLP에 통과시킨 뒤, 얻어진 두 쿼리 벡터 Q₁, Q₂를 평균함으로써 교환 연산이 교환 가능(commutative)하도록 설계하였다. 이 평균된 쿼리는 이후 어텐션 레이어에 입력되어 소스‑수신기 쌍에 대한 파동 해를 동시에 출력한다.

아키텍처는 크게 세 부분으로 구성된다. 첫 번째는 입력 포인트 클라우드를 그래프 신경 연산자(GNO)로 압축해 ‘슈퍼 노드’라는 저차원 잠재 표현으로 변환하는 인코더이다. 이는 격자 형태에 구애받지 않는 불변성을 제공해 다양한 지오메트리와 해상도에 적용 가능하게 만든다. 두 번째는 위에서 설명한 ‘Reciprocity Block’으로, 소스‑수신기 순서를 바꾸어도 동일한 출력이 나오도록 보장한다. 세 번째는 압축된 잠재 표현을 다시 확장해 실제 파동 해를 재구성하는 디코더이며, 여기서 교차‑어텐션이 다중 소스에 대한 병렬 연산을 가능하게 한다.

수치 실험에서는 2차원 이방성 점탄성 매질을 대상으로 수직 힘에 의한 입자 속도 필드를 학습하였다. 훈련 데이터는 고해상도 유한 차분 시뮬레이션으로부터 생성했으며, RENO와 상호성을 강제하지 않은 베이스라인 모델을 동일한 조건에서 비교했다. 결과는 세 가지 측면에서 차이를 보였다. 첫째, RENO는 단일 시뮬레이션만으로도 소스‑수신기 교환 테스트에서 완벽한 일치성을 보여, 물리 법칙을 구조적으로 내재하고 있음을 확인했다. 둘째, 학습 곡선을 보면 ℓ₂ 손실 측면에서는 두 모델이 최종적으로 비슷한 정확도를 달성하지만, RENO는 초기 에폭부터 빠르게 수렴하며, 특히 ‘Reciprocal Error’ 지표가 훈련 전 과정에서 0을 유지한다. 셋째, 추론 단계에서 RENO는 한 번의 쿼리만으로 234개의 소스와 339개의 수신기 조합(전체 79,326 쌍)을 동시에 계산해 0.31초에 처리했으며, 메모리 사용량도 18 GB 수준으로 베이스라인(9.34초, 19 GB)보다 30배 가량 빠르고 효율적이었다.

이러한 설계는 물리적 대칭성을 모델에 직접 삽입함으로써 데이터 효율성을 크게 향상시킨다. 상호성이 성립하는 모든 파동 현상—예를 들어 압축성 원천에 대한 압력 필드, 혹은 eikonal 방정식에 기반한 여행 시간 필드—에 동일한 구조를 적용할 수 있다. 또한, 교차‑어텐션 기반의 다중 소스 병렬 처리 메커니즘은 대규모 지진 데이터셋이나 실시간 모니터링 시스템에서 실용적인 속도 향상을 제공한다. 앞으로는 복합 소스(힘 커플, 모멘트)와 텐서형 응답(스트레스, 변형률)까지 확장하고, 물리‑인포드 손실과 결합해 더욱 강건한 하이브리드 모델을 개발하는 것이 자연스러운 다음 단계가 될 것이다.