진보적 전이 학습을 활용한 저주파 데이터 예측 및 전파파형 반전 개선

본 논문은 전파파형 반전(FWI)에서 저주파 성분이 결핍된 상황에서 발생하는 사이클 스키핑 현상을 해결하기 위해, 딥러닝 기반 저주파 데이터 예측 모델을 새롭게 설계하였다. 서론에서는 저주파가 FWI 비용 함수의 비선형성을 완화하고 전역 최소점으로의 수렴을 돕는 역할을 강조하면서, 기존의 저주파 보강 기법(각도 기반 필터링, 확장 속도 모델, 시간 이동 최소화, 합성 저주파 데이터 생성 등)의 한계점을 지적한다. 특히, 순수 데이터 기반 접근법이 훈련 데이터 편향·과소량·품질 관리 문제에 직면한다는 점을 강조한다. 다음으로 저주파 예측 가능성을 검증하기 위해, 고주파 데이터를 이용한 대역폭 확장 실험을 수행한다. 여기서는 5 Hz~25 Hz 사이의 대역을 이용해 스파스(희소) 반사체 모델을 가정하고, L1 정규화를 통한 스파스 복원(SALSA 알고리즘)으로 저주파 위상을 재구성한다. 실험 결과는 위상 복원은 성공했으나 진폭은 오차가 존재함을 보여, 저주파 위상 정보만이라도 확보하면 FWI 초기화에 충분히 활용 가능함을 시사한다. 본 연구의 핵심은 두 가지 혁신적인 전략이다. 첫 번째는 Dual Data Feed 네트워크 구조로, 고주파 데이터와 Beat‑Tone 데이터를 각각 별도의 입력 브랜치에 공급한다. Beat‑Tone은 두 인접 고주파(예: 6 Hz와 7 Hz) 데이터를 차분해 위상 랩핑을 감소시켜 저주파와 유사한 느린 위상 변화를 만든다. 이 추가 입력은 네트워크가 저주파와 고주파 사이의 비선형 관계를 학습하는 데 필요한 특징 추출 부담을 크게 경감시킨다. 두 번째는 Progressive Transfer Learning(PTL)이다. 초기에는 임의의 속도 모델에서 생성된 하나의 훈련 세트만으로 DNN을 학습하고, 이후 FWI 엔진이 업데이트한 최신 속도 모델을 사용해 새로운 고주파‑저주파 매핑 데이터를 재생성한다. 이렇게 재생성된 데이터는 점차 실제 지하 정보를 더 정확히 반영하므로, DNN 파라미터와 속도 모델을 교대로 업데이트한다. 이 과정은 (i) 훈련 데이터 양을 제한적으로 유지, (ii) 모델이 물리 기반 정보를 단계적으로 흡수, (iii) 과적합·편향·데이터 저장 비용을 동시에 해소한다는 장점을 가진다. 실험에서는 2‑D Marmousi‑like 모델을 사용해 5 Hz 이하 저주파가 완전히 제거된 상황을 가정하고, 제안된 PTL‑Dual Data Feed DNN을 적용하였다. 예측된 저주파 위상은 실제 저주파와 높은 상관관계를 보였으며, 이를 초기 모델로 사용한 FWI는 저주파 단계에서 전역 최소점에 도달한 뒤 고주파 단계로 원활히 전이하였다. 결과적으로 사이클 스키핑에 의한 인위적 아티팩트가 현저히 감소하고, 최종 속도 모델은 기존 방법에 비해 구조적 정확도가 크게 향상되었다. 논문의 한계와 향후 과제도 언급한다. 현재는 위상 복원에 초점을 맞추었으며, 진폭 복원 정확도는 낮다. 비스파스(비희소) 지질 구조나 강한 감쇠가 존재할 경우 Beat‑Tone이 충분히 저주파 정보를 제공하지 못할 수 있다. 또한 3‑D 대규모 현장 데이터에 적용하려면 메모리·연산 효율성을 높이는 추가 연구가 필요하다. 마지막으로, PTL 프레임워크를 다른 물리 기반 역문제(예: 전자기 탐사, 지열 모델링)에도 확장할 가능성을 제시한다.