물리 기반 GAN을 활용한 전파 전방파형 반전

본 논문은 전파 전방파형 반전(FWI)의 핵심 문제인 초기 모델 의존성과 잡음에 대한 취약성을 해결하기 위해 물리‑기반 생성적 적대 네트워크(Physics‑Driven GAN)를 제안한다. 전통적인 FWI는 파동 방정식에 기반해 관측 데이터와 시뮬레이션 데이터 간의 차이를 최소화하지만, 초기 속도 모델이 부정확하거나 데이터가 희소·노이즈가 많을 경우 지역 최소점에 빠져 정확한 구조 복원이 어려워진다. 이러한 한계를 극복하기 위해 저자들은 두 가지 주요 요소를 결합한 새로운 프레임워크를 설계하였다. 첫 번째 요소는 U‑Net 구조를 갖는 딥 뉴럴 네트워크를 생성기(G)의 핵심 모듈로 활용하는 것이다. 관측된 지진 데이터(shot gather)를 입력으로 받아 다중 스케일 특징을 추출하고, 1×1 컨볼루션을 통해 초기 속도 모델(v_pre)을 출력한다. 이 단계는 사전 학습(pre‑training) 과정을 거쳐, 관측 데이터와 선형 보간 혹은 가우시안 스무딩으로 만든 초기 모델(v_init) 사이의 L2 손실을 최소화한다. 결과적으로 네트워크는 복잡한 지질 구조를 반영하는 합리적인 배경 모델을 빠르게 생성한다. 두 번째 요소는 생성된 초기 모델을 기존의 전통적인 FWI 솔버에 투입해 파동 방정식(2D 상수밀도 음향 파동 방정식) 기반의 물리적 교정을 수행하는 것이다. 이 과정에서 전파 전방파형을 시뮬레이션하고, 관측 데이터와의 차이를 최소화하는 물리적 그라디언트를 계산한다. 물리‑FWI는 딥러닝이 제공하는 초기 모델의 구조적 정보를 보완하며, 물리적 일관성을 강제한다. 이렇게 두 단계가 순환적으로 연결되어, 생성기 내부에서 딥러닝과 물리적 반전이 공동 최적화된다. 판별기(D)는 관측 데이터와 생성기에서 나온 합성 데이터를 구분하도록 설계되었다. 6개의 컨볼루션 블록과 두 개의 완전 연결층으로 구성되며, Leaky ReLU와 배치 정규화 미사용을 통해 그래디언트 페널티 전략에 최적화된 구조를 갖는다. D는 실제와 가짜 데이터를 구분하는 확률을 출력하고, 생성기는 D가 “가짜”라고 판단할 확률을 최소화하도록 학습한다. 이는 전통적인 GAN의 최소‑최대 게임을 물리 제약과 결합한 형태이며, 생성기 파라미터는 매 반복마다 딥러닝 단계와 물리‑FWI 단계에서 동시에 업데이트된다. 실험은 두 개의 대표적인 지질 모델인 Marmousi와 Overthrust를 사용하였다. Marmousi 모델은 191×51 격자, 속도 범위 1472–5772 m/s이며, 무잡음 및 SNR 10 dB의 백색 가우시안 잡음 상황에서 테스트했다. 제안 방법은 기존 물리‑GAN(Yang et al.) 대비 SSIM(0.709 vs 0.680)과 SNR(19.37 dB vs 17.29 dB)에서 모두 우수했으며, 특히 깊은 영역에서의 구조적 연속성과 잡음 억제 능력이 두드러졌다. Overthrust 모델(251×81 격자, 속도 2360–6000 m/s)에서도 복잡한 오버쓰러스트 구조와 고속 기저암을 정확히 복원했으며, 잡음이 추가된 경우에도 모델의 세부 디테일이 유지되었다. 학습 전략은 판별기를 6번, 생성기를 1번씩 교대로 업데이트하는 방식으로, GAN 학습의 불안정성을 완화한다. Adam 옵티마이저(학습률 0.001, 배치 15)와 300 epoch의 충분한 학습을 통해 수렴을 보장한다. 전체 파이프라인은 NVIDIA Tesla P40(24 GB)와 96 GB RAM을 갖춘 Linux 시스템에서 실행 가능하도록 설계되었으며, 메모리 효율성을 고려한 네트워크 구조와 파라미터 설정이 이루어졌다. 본 논문의 주요 기여는 다음과 같다. (1) 생성기 내부에 물리‑FWI를 직접 삽입해 학습 가능한 초기 모델을 제공함으로써 초기 모델 의존성을 크게 감소시켰다. (2) 판별기를 통해 데이터‑와 물리‑일관성을 동시에 검증함으로써 잡음에 대한 강인성을 확보했다. (3) 기존 물리‑GAN이 전적으로 전통 FWI에 의존하던 한계를 딥러닝 기반 구조 학습으로 보완했다. 향후 연구 방향으로는 3D 전파 전방파형 반전, 다파라미터(밀도·탄성) 반전, 실제 현장 데이터 적용을 위한 확장 가능성이 제시된다.