Linearised versus Nonlinear Estimates of Uncertainty in Full Waveform Inversion

이 논문은 전파형 역산 (FWI) 에서 선형화 기반 방법이 평균 모델은 정확히 복원할 수 있지만 불확실성 구조와 지질학적 메타 속성 추정에서 큰 편향을 보인다는 것을 입증하여, 정확한 불확실성 정량화를 위해서는 비선형 역산 방법의 적용이 필수적임을 강조합니다.

핵심

이 논문은 지진파를 이용해 지구 내부의 모습을 그리는 '전파형 반전 (Full Waveform Inversion, FWI)' 기술에서, **"우리가 얼마나 틀릴 수 있는가 (불확실성)"**를 계산하는 두 가지 방법의 차이를 비교한 연구입니다.

핵심 주제는 "선형화 (단순화) 된 방법"과 "비선형 (복잡한 현실을 그대로 반영) 한 방법" 중 어떤 것이 더 정확한 불확실성을 보여주는가입니다.

이 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

🌍 배경: 어둠 속의 지구 내부 사진 찍기

지진파를 이용해 지구 속을 비추는 것은, 어두운 방에서 손전등으로 물체의 그림자를 보고 그 물체의 모양을 추측하는 것과 비슷합니다.

• 데이터 (지진파): 손전등 빛과 그림자.
• 모델 (지구 내부): 그림자로 추측한 물체의 모양.

하지만 문제는 그림자만으로는 물체의 정확한 모양을 100% 알 수 없다는 점입니다. 빛의 각도, 잡음, 물체의 복잡한 구조 때문에 여러 가지 다른 모양이 모두 같은 그림자를 만들 수 있습니다. 이것이 **'불확실성 (Uncertainty)'**입니다.

⚖️ 두 가지 추측 방법의 대결

연구자들은 이 불확실성을 계산하는 두 가지 방법을 비교했습니다.

1. 선형화 방법 (Linearised Method): "가정된 규칙만 믿는 단순한 추측"

이 방법은 **"모든 것이 직선이고 단순하다"**고 가정합니다.

• 비유: 어둠 속에서 물체의 그림자를 보고, **"아, 이 그림자는 직선으로 이어진 상자일 거야"**라고 가정하고 계산하는 것입니다.
• 작동 원리: 가장 가능성 높은 답 (MAP) 하나를 먼저 찾은 뒤, 그 주변이 얼마나 흔들릴 수 있는지 직선적인 규칙으로만 계산합니다.
• 문제점: 실제 지구는 구불구불하고 복잡합니다. 직선으로만 생각하면, 경계선 (층의 경계) 에서 큰 오차가 발생합니다. 마치 구불구불한 산길 지도를 직선으로만 그려서, 실제 길이가 얼마나 긴지 잘못 계산하는 것과 같습니다.

2. 비선형 방법 (Nonlinear Method): "현실의 복잡함을 모두 고려한 정교한 추측"

이 방법은 **"세상은 복잡하고 구불구불하다"**는 사실을 인정합니다.

• 비유: 그림자를 보고 **"아, 이 물체는 구불구불한 산 모양일 수도 있고, 계곡일 수도 있어. 다양한 가능성을 모두 시뮬레이션해 보자"**라고 접근합니다.
• 작동 원리: '변분 추론 (Variational Inference)'이라는 고급 알고리즘을 써서, 수천 가지 가능한 지구 내부 모델을 생성하고 그 분포를 분석합니다.
• 장점: 실제 물리 법칙 (파동의 비선형성) 을 모두 반영하므로, 어디가 불확실한지 훨씬 정확하게 보여줍니다.

---

🔍 연구 결과: 무엇이 달랐을까?

두 방법을 비교했을 때, **평균적인 답 (지하 구조의 대략적인 모양)**은 두 방법 모두 잘 찾아냈습니다. 하지만 **'불확실성 (어디가 틀릴 수 있는가)'**을 보여주는 지도는 완전히 달랐습니다.

1. 층의 경계 (Layer Interfaces) 에서의 차이

• 현실 (비선형 방법): 지층이 바뀌는 경계면 근처에서는 불확실성이 매우 큽니다. 특히 느린 속도 (저속) 영역 쪽에서 불확실성이 크게 나타납니다.
  • 이유: 파동이 느린 속도와 빠른 속도를 통과할 때 서로 섞여서 (간섭) 어떤 쪽이 정확한지 구별하기 어렵기 때문입니다.
• 선형 방법의 오류: 이 방법은 경계면에서 반대로 불확실성을 계산합니다. 느린 속도 쪽은 확신하고, 빠른 속도 쪽은 불확실하다고 잘못 판단합니다.
  • 비유: "이 산길은 평평할 거야 (선형)"라고 믿는데, 실제로는 급경사 (비선형) 라서 넘어질 위험이 큰데도 안전하다고 말하는 격입니다.

2. 실제 데이터와의 일치도

• 연구팀은 추측한 지구 모델을 다시 지진파로 변환해 보았습니다.
• 비선형 방법으로 만든 모델은 실제 관측된 지진파와 완벽하게 일치했습니다.
• 선형 방법으로 만든 모델은 실제 데이터와 **큰 차이 (오류)**가 있었습니다. 즉, "불확실하다고 계산한 곳"이 실제로는 틀린 모델이 많았다는 뜻입니다.

3. 지질학적 부피 계산 (예: 석유나 가스 매장량)

• 만약 "이 지층에 있는 저속 물질 (예: 가스) 의 부피가 얼마나 될까?"라고 물어본다면?
• 선형 방법: 부피를 잘못 계산했습니다. (불확실성이 잘못된 방향으로 계산되어 부피를 과소 또는 과대 평가함)
• 비선형 방법: 정확한 부피를 예측했습니다.
• 결론: 선형 방법을 쓰면 "여기에 가스가 100 만 배럴 있다"고 잘못 판단해서, 실제는 50 만 배럴밖에 없거나 200 만 배럴일 수 있는 위험한 결정을 내릴 수 있습니다.

---

💡 결론 및 교훈

이 논문은 **"복잡한 지구 문제를 풀 때, 단순화 (선형화) 한 방법은 불확실성을 잘못 계산할 수 있다"**는 것을 증명했습니다.

• 데이터가 아주 좋거나 (정보량이 많음) 아주 나쁠 때 (정보량이 없음): 두 방법의 결과가 비슷할 수 있습니다.
• 하지만 (실제 상황): 데이터가 중간 정도이거나, 지층이 복잡할 때는 비선형 방법이 훨씬 안전하고 정확합니다.

요약하자면:
우리가 지구라는 복잡한 퍼즐을 풀 때, **"간단한 규칙 (선형)"**만 믿고 불확실성을 계산하면 위험한 오해를 할 수 있습니다. 대신 **"현실의 복잡함 (비선형)"**을 모두 고려한 정교한 방법 (PSVI, SVGD 등) 을 써야만, **"우리가 어디를 잘못 알 수 있는지"**를 정확히 파악하고, 안전한 의사결정을 내릴 수 있다는 것이 이 연구의 핵심 메시지입니다.

한 줄 요약: "지하 구조를 그릴 때, 단순한 직선으로 불확실성을 재면 위험합니다. 복잡한 현실을 그대로 반영하는 정교한 방법으로 불확실성을 계산해야 진짜 답을 알 수 있습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 지진 전파형 역산 (Full Waveform Inversion, FWI) 은 지진 파형 데이터를 활용하여 지구 내부의 고해상도 속도 구조를 이미지화하는 강력한 기술입니다.
• 문제점: 그러나 FWI 해는 다음과 같은 요인들로 인해 본질적으로 비유일적 (non-unique) 이며 큰 불확실성을 가집니다.
  • 불완전한 관측 기하학 (주로 지표면 관측에 국한됨).
  • 데이터 내의 고유한 잡음.
  • 전방 문제 (forward problem) 의 비선형성.
  • 모든 길이 척도에서 이질적인 타겟으로 인한 미결정 (under-determined) 문제.
• 현재의 한계: 기존 불확실성 정량화는 주로 선형화 (Linearised) 방법을 사용합니다. 이는 최적 해 (MAP, Maximum A Posteriori) 주변에서 물리 법칙을 선형화하고, 사후 확률 밀도 함수 (posterior pdf) 를 가우시안 분포로 근사합니다.
  • 결함: 이 방법은 전방 함수의 비선형성으로 인해 발생하는 불확실성을 설명하지 못합니다. 특히 급격한 속도 변화가 있는 계면 (interface) 부근에서 실제 불확실성 구조를 왜곡하여, 지질학적 체적 추정과 같은 파생된 메타 속성 (meta-properties) 에 편향된 결과를 초래할 수 있습니다.

2. 방법론 (Methodology)

이 연구는 2 차원 음향 FWI 문제에 대해 선형화 방법과 비선형 방법을 적용하여 불확실성을 정량화하고 비교했습니다.

• 베이지안 프레임워크:
  • 사전 정보 (Prior) 와 관측 데이터 (Likelihood) 를 결합하여 사후 확률 밀도 함수 (Posterior PDF) 를 추정합니다.
• 선형화 방법 (Linearised Method):
  • 결정론적 최적화 (L-BFGS 등) 를 통해 MAP 해를 찾습니다.
  • MAP 해 주변에서 전방 함수를 1 차 테일러 급수로 선형화합니다.
  • 가우스 - 뉴턴 (Gauss-Newton) 근사를 통해 공분산 행렬을 추정하고, 이를 기반으로 국소적인 가우시안 불확실성을 계산합니다.
• 비선형 방법 (Nonlinear Methods):
  • PSVI (Physically Structured Variational Inference): 물리 구조를 반영한 변분 추론 알고리즘입니다. 로그 변환된 가우시안 분포를 최적화하여 전체 파라미터 공간에서 사후 분포를 근사합니다. 희소 공분산 행렬을 사용하여 계산 효율성을 높였습니다.
  • SVGD (Stein Variational Gradient Descent): 초기 샘플 집합을 반복적으로 업데이트하여 사후 분포의 밀도를 근사하는 독립적인 변분 알고리즘입니다. PSVI 의 결과를 검증하기 위해 사용되었습니다.
• 비교 전략: 세 가지 방법 (선형화, PSVI, SVGD) 에 동일한 사전 분포와 우도 함수를 적용하여, 불확실성 구조의 차이가 오직 선형화 대 비선형 물리 처리에서 기인함을 확인했습니다.

3. 주요 결과 (Key Results)

두 가지 시나리오 (단순 층상 모델, 수정된 마르무시 모델) 를 통해 다음과 같은 결과를 도출했습니다.

가. 평균 모델 (Mean Model) 의 정확도

• 선형화 방법과 비선형 방법 (PSVI, SVGD) 모두 사후 평균 속도 모델을 정확하게 복원했습니다. 즉, 최적의 속도 구조를 찾는 데 있어 두 방법의 성능 차이는 크지 않았습니다.

나. 불확실성 구조 (Uncertainty Structure) 의 차이

• 계면 (Interface) 부근의 불확실성:
  • 비선형 방법: 속도 계면 근처에서 **저속도 측 (low velocity side)**은 높은 불확실성을, **고속도 측 (high velocity side)**은 상대적으로 낮은 불확실성을 보입니다. 이는 파형 데이터의 간섭 현상과 비선형 물리 (산란 효과) 를 고려한 결과입니다.
  • 선형화 방법: 비선형 방법을 거꾸로 보여주는 패턴 (고속도 측에서 높은 불확실성) 을 보이며, 실제 물리 현상과 일치하지 않는 편향된 불확실성 분포를 생성합니다.
  • 루프 구조 (Loop-like structures): 비선형 방법에서는 속도 이상체 (anomaly) 경계 주변에 불확실성이 높은 '루프' 형태의 구조가 관찰되었으나, 선형화 방법에서는 이러한 구조가 전혀 나타나지 않았습니다. 이는 서로 다른 속도 값과 모양이 관측 데이터에 유사하게 적합할 수 있는 비선형 특성을 반영한 것입니다.

다. 데이터 적합도 (Data Fit) 및 검증

• 시뮬레이션 데이터 적합도: 비선형 방법 (PSVI, SVGD) 에서 추출한 사후 샘플로 생성한 합성 파형은 관측 데이터와 매우 잘 일치했습니다. 반면, 선형화 방법에서 추출한 샘플들은 관측 데이터와 큰 오차 (misfit) 를 보였습니다.
• 로그 우도 (Log-likelihood): 비선형 방법의 샘플들은 높은 로그 우도 값을 가졌으나, 선형화 방법의 샘플들은 MAP 해 주변에 집중되어 있음에도 불구하고 전체적으로 낮은 우도 값을 보였습니다. 이는 고차원 가우시안 분포에서 평균 근처의 부피가 전체 확률 질량에 비해 미미하기 때문이며, 선형화 근사가 실제 전역 분포를 잘못 표현하고 있음을 시사합니다.

라. 메타 속성 추정 (Interrogation of Meta-properties)

• 지질체 부피 추정: 저속도 이상체의 크기를 추정하는 질문 (Interrogation Theory 적용) 을 수행했습니다.
  • 비선형 방법의 결과는 실제 값 (Ground Truth) 과 매우 근접했습니다.
  • 선형화 방법은 부피 추정치에 심각한 편향 (bias) 을 보였으며, 실제 값이 추정 분포의 확률 밀도가 낮은 영역에 위치했습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 비선형 불확실성 정량화의 필요성 입증: FWI 에서 평균 모델의 정확도와는 별개로, 불확실성 구조를 정확히 추정하는 데에는 비선형 역산이 필수적임을 증명했습니다. 선형화 방법은 물리적 비선형성을 무시하여 계면 부근의 불확실성을 왜곡합니다.
2. 의사결정 지원: 지질학적 부피 추정과 같은 고차원 해석 (meta-properties) 에 있어 선형화 기반 불확실성 추정이 위험한 편향을 초래할 수 있음을 보여주었습니다. 이는 리스크 기반 의사결정 (risk-based decision-making) 에 있어 비선형 방법의 우월성을 강조합니다.
3. 알고리즘 비교: 변분 추론 기반의 PSVI 와 SVGD 가 고차원 FWI 문제에서 효율적으로 작동하며, 서로 일관된 불확실성 구조를 제공함을 확인했습니다.
4. 실용적 권고: 데이터가 매우 풍부하거나 매우 부족할 때는 두 방법의 결과가 유사할 수 있으나, 대부분의 실제 FWI 문제 (중간 정도의 정보량, 복잡한 지질 구조) 에서는 계산 자원이 허용되는 한 비선형 역산 방법을 우선시해야 한다고 결론지었습니다.

5. 결론

이 연구는 전파형 역산 (FWI) 에서 선형화된 불확실성 추정이 비선형 물리 현상을 반영하지 못해 실제 지구 구조의 불확실성을 잘못 표현할 수 있음을 명확히 보여줍니다. 특히 속도 계면 부근과 지질체 부피 추정과 같은 중요한 해석 작업에서 **비선형 변분 추론 (PSVI, SVGD)**이 훨씬 더 정확하고 신뢰할 수 있는 불확실성 정보를 제공하므로, 정량적 해석과 리스크 관리가 필요한 경우 비선형 방법의 적용이 강력히 권장됩니다.