SIREN 자동디코더로 구현한 고정밀 지진 속도 모델 압축

본 논문은 지진 속도 모델을 효율적으로 압축하고, 해상도에 구애받지 않는 연속적인 표현을 제공하기 위해 SIREN 기반 자동디코더 프레임워크를 설계하였다. 서론에서는 지진 속도 모델이 지질 구조 해석, 탄도 탐사, 탄소 포집 등 다양한 지구물리학 응용에서 핵심적인 역할을 하며, 기존 격자 기반 표현이 해상도 증가에 따라 저장·전송 비용이 급격히 늘어나고, 급격한 지질 경계에서 이산화 현상이 발생한다는 문제점을 제시한다. 이러한 한계를 극복하기 위해 최근 각광받고 있는 Implicit Neural Representation(INR) 개념을 도입한다. INR은 좌표 (x, z)를 입력으로 받아 연속적인 속도 값을 출력하는 신경망으로, 격자와 무관하게 임의의 해상도에서 샘플링이 가능하다. 하지만 일반적인 ReLU 기반 MLP는 스펙트럼 바이어스로 인해 저주파 성분에 편향되고, 급격한 단층이나 고주파 지질 구조를 제대로 재현하지 못한다. 이를 해결하기 위해 본 연구는 Sinusoidal Representation Networks(SIREN)를 디코더에 적용한다. SIREN은 sin(ω₀·) 형태의 주기적 활성함수를 사용해 고주파 정보를 효과적으로 학습한다. 논문에서는 ω₀=30을 채택하고, SIREN 특유의 가중치 초기화 방식을 적용해 학습 초기 단계에서 신호의 진폭 분포가 유지되도록 설계하였다. 자동디코더 구조는 기존 자동인코더와 달리 별도의 인코더를 두지 않는다. 각 훈련 샘플마다 256차원 잠재벡터 zᵢ를 직접 최적화하고, 공유 디코더 f_θ와 동시에 학습한다. 입력은 (x, z) 좌표와 잠재벡터를 결합한 258차원 벡터이며, 4개의 은닉 SIREN 레이어(각 512 유닛)와 최종 선형 출력 레이어로 구성된다. 손실 함수는 재구성 MSE와 잠재벡터 L₂ 정규화(λ=10⁻⁴)의 가중합으로, 이는 모델이 과적합되지 않도록 잠재공간을 매끄럽게 만든다. 실험은 OpenFWI 벤치마크에서 제공하는 다섯 가지 지질 패밀리(FlatVel, CurveVel, FlatFault, CurveFault, Style) 각각 200개, 총 1,000개의 70×70 속도 모델을 대상으로 수행하였다. 압축 비율은 19:1(4,900 포인트 → 256 차원)이며, 재구성 품질은 평균 PSNR 32.47 dB, SSIM 0.956을 달성했다. 특히, 급격한 단층이나 곡선층 같은 고주파 구조에서도 시각적으로 눈에 띄는 손실이 없었으며, Figure 1에서 보여지는 바와 같이 전통적인 격자 기반 재구성 대비 부드럽고 연속적인 등고선을 제공한다. 잠재공간 보간 실험에서는 두 개의 서로 다른 지질 모델의 잠재벡터를 선형 보간하여 중간 잠재벡터를 생성하고, 이를 디코더에 입력했을 때 물리적으로 타당한 중간 지질 구조가 자연스럽게 생성되는 것을 확인하였다. 이는 잠재공간이 의미 있는 지질 변이를 포착하고 있음을 의미한다. 또한, 제로샷 초고해상도(super‑resolution) 실험에서는 훈련 시 사용한 70×70 좌표 외에 140×140, 210×210, 280×280 등 임의의 해상도 좌표를 입력하면, 사전 학습된 디코더가 즉시 연속적인 속도장을 출력한다. 이는 별도의 초해상도 네트워크 없이도 고해상도 모델을 얻을 수 있음을 보여준다. 논문은 이러한 결과를 바탕으로 INR 기반 자동디코더가 지진 속도 모델의 저장 효율성을 크게 향상시킬 뿐 아니라, 멀티스케일 해석, 전산 파동 전파 시뮬레이션, 그리고 전통적인 FWI와 같은 역문제에 필요한 고해상도 초기 모델 제공에 유용함을 강조한다. 마지막으로 구현 코드와 학습된 모델을 오픈소스로 공개하여 재현성과 향후 연구를 촉진한다.