딥러닝 기반 지진파 역산의 혁신: 의사 스펙트럼 기법과 RNN의 만남

본 기사는 딥러닝 기반 의사 스펙트럼 전파형 역산(FWI)에 대한 최신 연구 결과를 소개하며, 기존 FWI의 한계를 극복하고 더욱 정확하고 효율적인 지하 구조 모델링을 가능하게 하는 혁신적인 접근법을 제시합니다. 순환 신경망(RNN)을 활용한 새로운 방법론은 실제 데이터 분석을 통해 기존 방법 대비 우수한 성능을 입증하였습니다.

지하 구조를 고해상도로 모델링하는 데 필수적인 기술인 전파형 역산(FWI)은 최근 딥러닝과의 만남으로 새로운 국면을 맞이하고 있습니다. Christopher Zerafa, Pauline Galea, Cristiana Sebu 연구팀은 2025년 2월 24일 발표한 논문에서 **'이론 기반 의사 스펙트럼 전파형 역산 via 심층 신경망'**을 제시하며 기존 FWI의 한계를 극복하는 혁신적인 방법을 선보였습니다.

기존 FWI는 복잡한 지질 환경에서 정확한 모델링과 방대한 데이터를 필요로 하는 어려움이 있었습니다. 하지만 연구팀은 심층 신경망, 특히 순환 신경망(RNN) 을 활용하여 이러한 문제를 해결했습니다. 데이터 중심 방식으로 물리적 모델링 오류의 영향을 최소화하고, 의사 스펙트럼 기법을 도입하여 계산 효율성을 높인 것입니다. 이는 마치, 지진파 데이터라는 미로 속에서 길을 찾는 나침반과 같은 역할을 하는 것입니다.

연구팀은 2차원 Marmousi 데이터셋을 활용한 실험에서 기존 FWI 대비 우수한 성능을 입증했습니다. 오차 허용치 0.05, 상대 오차 1.45%라는 놀라운 결과를 달성하며, 더욱 안정적인 수렴과 향상된 저주파 정보를 제공하는 것을 확인했습니다. 특히 단층 파악과 지표면 및 심부 영역의 경계선 검출 능력이 훨씬 뛰어났습니다. 마치 흐릿한 사진을 고해상도로 복원하는 것과 같은 효과를 거둔 것입니다.

이 연구는 단순히 새로운 알고리즘 제시를 넘어, 물리학 이론과 딥러닝 기술의 시너지 효과를 보여주는 중요한 사례입니다. 이는 앞으로 지구과학 분야에서 딥러닝 기술의 활용 가능성을 크게 확장시킬 것으로 기대됩니다. 더욱 정확하고 효율적인 지하 구조 모델링을 통해 자원 탐사, 지진 예측 등 다양한 분야에 긍정적인 영향을 미칠 것으로 전망됩니다. 하지만, 아직 합성 데이터 기반의 결과이며, 실제 현장 데이터 적용 및 확장성 검증이 필요하다는 점을 고려해야 합니다.