하드웨어와 물리학이 함께하는 분산 과학 머신러닝 EPIC 프레임워크

초록

EPIC은 현장 FWI(전파 전파 역전) 작업을 위해 설계된 하드웨어·물리학 공동 가이드형 분산 SciML 프레임워크이다. 각 센서 노드에서 경량 인코더로 잠재 특징을 추출하고, 중앙 노드에서 물리‑인식 교차‑어텐션 디코더로 결합·복원함으로써 원시 파형 전송량을 크게 줄인다. 5개의 엣지 디바이스와 1개의 중앙 서버를 이용한 실험에서 통신 지연을 8.9배, 에너지 소비를 33.8배 절감했으며, 10개 데이터셋 중 8개에서 재구성 품질(SSIM)을 오히려 향상시켰다.

상세 분석

본 논문은 과학적 머신러닝(SciML)이 현장 적용 시 직면하는 ‘통신 병목’과 ‘물리적 일관성 위배’라는 두 가지 근본적 문제를 동시에 해결하고자 한다. 기존 중앙집중형 모델은 모든 센서의 원시 파형 데이터를 중앙 서버로 전송해 고성능 GPU에서 추론하지만, 4G·Wi‑Fi 환경에서 통신 지연이 전체 처리 시간의 93%에 달한다는 실험적 증거를 제시한다. 이를 완화하기 위해 연합학습(FLA)과 분할학습(SLA) 같은 기존 분산 학습 방식을 적용했지만, 파형 간 높은 상관관계와 위치‑의존적인 신호 강도 차이 때문에 성능이 크게 저하된다. 특히 FLA는 각 노드가 독립적으로 전체 모델을 실행하면서 서로 다른 지역 정보를 공유하지 못해 경계 부근에 인공적인 아티팩트를 만든다. SLA는 잠재 표현을 중앙에서 결합하지만, 모든 잠재를 동일하게 취급해 위치‑의존성을 반영하지 못해 세부 구조 복원에 한계가 있다.

EPIC은 이러한 근본 원인을 ‘하드웨어‑교사’와 ‘물리‑교사’라는 두 개의 가이드라인으로 정형화한다. 하드웨어‑교사는 엣지 디바이스에서 가능한 최소 연산량(경량 인코더)으로 잠재 벡터를 생성하고, 전송량을 원시 파형 대비 수백 배 압축한다. 물리‑교사는 파동 전파의 전역적 결합성을 고려해 중앙 디코더에 교차‑어텐션 메커니즘을 도입한다. 교차‑어텐션은 각 수신기(리시버)의 위치 정보를 키·밸류에 인코딩하고, 모든 잠재를 가중합함으로써 파동의 공간적 상호작용을 복원한다. 이 설계는 물리‑일관성을 유지하면서도 통신 비용을 최소화한다는 두 마리 토끼를 잡는다.

시스템 레벨에서는 EPIC‑Infra(인프라 설계), EPIC‑Net(모델 설계), EPIC‑Depl(배포), EPIC‑Mgmt(운영 관리) 네 가지 모듈로 구성된다. EPIC‑Infra는 대역폭·지연·패킷 손실 등 네트워크 제약과 실시간 요구(T)를 수식화하고, 최적의 노드 수와 배치 전략을 탐색한다. EPIC‑Net은 인프라 파라미터에 따라 인코더·디코더 깊이와 채널 수를 자동 조정한다. EPIC‑Depl은 훈련된 모델을 엣지 디바이스에 경량화된 형태로 배포하고, EPIC‑Mgmt는 런타임에 지연 초과나 에너지 초과가 감지되면 동적으로 인코더 압축률을 조정하거나 어텐션 가중치를 재학습한다.

실험 결과는 설득력 있다. 5개의 엣지 디바이스와 1개의 중앙 서버를 이용한 4G 에뮬레이션에서, EPIC은 평균 통신 지연을 5325 ms에서 598 ms 이하로 감소시켰으며, 전력 소모는 2417 mJ에서 71 mJ 수준으로 33.8배 절감했다. 재구성 품질 측면에서는 SSIM이 평균 0.85에서 0.86~0.88으로 향상되었고, 특히 8개의 데이터셋에서 기존 중앙 모델보다 높은 SSIM을 기록했다. 이는 물리‑인포드 디코더가 잠재 표현을 물리적으로 의미 있는 방식으로 재조합함으로써, 압축에 따른 정보 손실을 오히려 정규화 효과로 전환했기 때문으로 해석된다.

전반적으로 EPIC은 ‘하드웨어‑물리학 공동 가이드’를 통해 과학적 역문제에 특화된 분산 학습 설계 원칙을 제시하고, 실시간 현장 적용을 위한 실용적인 시스템 아키텍처와 운영 프레임워크를 제공한다는 점에서 기존 연구와 차별화된다.