Multiscale Fourier Neural Operator for Inverse Wave Scattering in Highly Oscillatory Media

기술 요약: 고진동 매질에서의 역파동 산란을 위한 다중 스케일 푸리에 신경 연산자(Multiscale Fourier Neural Operator)

문제 정의
본 논문은 고진동(고주파) 영역에서의 헬름홀츠 방정식(Helmholtz equation)에 대한 역 매질 문제, 구체적으로 전파 파형 역산(Full Waveform Inversion, FWI)의 과제를 다룹니다. 전통적인 FWI는 반복적인 순방향 파동 방정식 풀이를 필요로 하는 경사 하강법 기반 최적화에 의존합니다. 고주파 영역에서는 짧은 파장을 해상하기 위해 미세한 격자 이산화가 필요하므로, 이는 계산적으로 매우 부담이 됩니다. 또한, 역 문제는 부적정(ill-posed)하며, 표준 수치 솔버는 "오염 효과(pollution effect)"로 인해 어려움을 겪습니다.

딥러닝이 데이터 기반의 대안을 제공하고 있지만, 표준 푸리에 신경 연산자(Fourier Neural Operator, FNO)와 같은 기존의 연산자 학습 방식은 "스펙트럼 편향(spectral bias)" 문제를 겪으며, 이로 인해 고주파 진동 파동장을 정확하게 표현하는 데 어려움을 겪습니다. 반대로, (학습된 사전 지식에도 불구하고) 반복적인 PDE 풀이에 의존하는 방식은 여전히 계산 비용이 많이 듭니다. 핵심 과제는 계산 효율적이면서도 물리적으로 일관되고, 과도한 비용 없이 미세한 규모의 고주파 구조를 해상할 수 있는 프레임워크를 개발하는 것입니다.

방법론
저자들은 **다중 스케일 푸리에 신경 연산자(MscaleFNO)**를 순방향 파동 전파 연산자의 미분 가능한 대리 모델(surrogate)로 사용하고, **플러그 앤 플레이(Plug-and-Play, PnP) 명시적 확산 모델(EDM)**을 정규화 도구로 결로한 새로운 역산 프레임워크를 제안합니다.

1. 대리 순방향 모델로서의 MscaleFNO:

   • 저자들은 역산 과정에서 헬름홀츠 방정식을 수치적으로 푸는 대신, 사전에 훈련된 MscaleFNO를 사용하여 매질 섭동($\alpha$)과 소스 항($f$)을 파동장($u$)으로 매핑합니다.
   • 표준 FNO와 달리, MscaleFNO는 서로 다른 스케일의 다중 푸리에 연산자 브랜치를 활용합니다. 각 브랜치 $FNO_i$는 특정 스케일링 인자 $c_i$로 작동하여, 네트워크가 다양한 주파수 스펙트럼 전반에 걸친 표현을 동시에 학습할 수 있게 합니다.
   • 이러한 아키텍처는 고파수 영역($k \in [10, 60]$)에서 고도로 진동하는 파동장을 정확하게 예측할 수 있게 하며, 반복적인 PDE 풀이 없이도 효율적이고 미분 가능한 대리 모델 역할을 수행합니다.

2. 플러그 앤 플레이 확산 사전 지식(Diffusion Prior):

   • 역 문제의 부적정성을 해결하기 위해, 프레임워크는 사전 훈련된 EDM을 학습된 사전 지식으로 포함합니다.
   • 역산 과정은 MscaleFNO 대리 모델을 통해 계산된 데이터 불일치(data misfit)의 그래디언트를 기반으로 Adam 최적화를 사용하여 매질 추정치($\alpha$)를 업데이트하는 데이터 일관성 단계와 주기적인 사전 지식 교정 단계를 교대로 수행합니다.
   • 매 $T$ 반복마다, 현재의 추정치는 EDM 샘플러에 의해 정제되어 물리적으로 타당한 매질의 학습된 매니폴드(manifold)를 향해 노이즈가 제거됩니다. 이 "플러그 앤 플레이" 접근 방식은 명시적인 정규화 함수나 추가적인 순방향 PDE 풀이 없이도 구조적 사전 지식을 주입합니다.

3. 최적화 프레임워크:

   • 역산은 확산 사전 지식에 의해 가이드되는 데이터 충실도 항(예측된 파동장과 관측된 파동장 사이의 불일치)을 최소화하는 것으로 공식화됩니다.
   • 과정은 가우시안 랜덤 필드로 초기화되며 반복적으로 업데이트됩니다. EDM 샘플러의 노이즈 스케줄은 역산 중에 동적으로 조정되어, 초기 반복 단계에서는 강력한 사전 지식 교정에서 후기 단계에서는 미세한 정제로 전환됩니다.

주요 기여

• 고파수 문제를 위한 우수한 대리 모델: 본 논문은 MscaleFNO가 표준 FNO의 스펙트럼 편향을 극복함을 입증합니다. MscaleFNO는 스케일 적응형 스펙트럼 표현을 활용함으로써 고파수 헬름홀츠 방정식에 대해 더 빠른 추론, 개선된 수치적 안정성 및 더 높은 해상도를 달계합니다.
• 효율적인 미분 가능 역산: MscaleFNO를 미분 가능한 순방향 모델로 내장함으로써, 본 프레임워크는 값비싼 반복적 PDE 풀이를 효율적인 신경망 평가로 대체하여 고주파 FWI를 위한 그래디언트 기반 최적화를 가능하게 합니다.
• 확산 모델을 통한 견고한 정규화: PnP EDM 사전 지식의 통합은 재구성 정확도를 크게 향 향상시키고 노이즈 및 제한된 구경(limited-aperture) 데이터에 대한 강건성을 높입니다. 이는 Tikhonov와 같은 전통적인 매끄러움 기반 정규화 도구가 과도하게 매끄럽게 만드는 경향이 있는 미세한 진동 세부 사항을 보존하면서도 아티팩트를 효과적으로 억제합니다.

수치 결과

• 순방향 정확도: 순방향 연산자 학습 작업에서, MscaleFNO는 파수 $k=10$에서 $k=60$까지 안정적인 수렴과 낮은 상대 $L_2$ 오차를 유지했습니다. 반면, 표준 FNO의 성능은 $k$가 증가함에 따라 크게 저하되어 고주파 성분을 포착하는 데 실패했습니다.
• 역 재구성: 10% 노이즈 조건에서, MscaleFNO 기반 역산은 모든 테스트 주파수에서 FNO 기반 역산보다 현저히 낮은 재구성 오차를 달성했습니다. 오차는 $k=10$에서 0.956에서 $k=60$에서 0.129로 감소하였으며, 이는 올바른 대리 모델과 결합되었을 때 고주파 측정이 주는 이점을 확인시켜 줍니다.
• 제한된 구경 및 노이즈: 본 방법은 다양한 노이즈 수준(최대 20%)과 제한된 구경 설정(소스/수신기 각도 $45^\circ$에서 $360^\circ$)에서도 견고함을 보여주었습니다. 결과는 제한된 구경이 오차를 증가시키기는 하지만, 본 방법이 주요 진동 구조를 성공적으로 회복하며 각도 커버리지가 증가함에 따라 성능이 향상됨을 보여주었습니다.
• 절제 연구(Ablation Studies):
  • 스펙트럼 분석: MscaleFNO 브랜치의 푸리에 스펙트럼은 뚜렷한 주파수 패턴을 드러냈으며, 큰 스케일이 더 풍부하고 구조화된 고주파 모드를 포착함을 보여주어 다중 스케일 설계의 타당성을 입증했습니다.
  • FNO의 한계: 표준 FNO의 푸리에 모드 수와 네트워크 너비를 늘려도 고주파에서의 실패를 해결하지 못했으며, 이는 단일 스케일 표현의 한계와 최적화 불안정성에 기인한 본질적인 문제임을 시사합니다.
  • 정규화 비교: 정규화되지 않은 역산(가짜 진동 생성) 및 Tikhokov 정규화(특징을 과도하게 매끄럽게 함)와 비교했을 때, PnP-EDM 방식은 아티팩트를 제거하면서도 고주파 세부 사항을 잘 보존했습니다.

의의 및 주장
본 논문은 전통적인 솔버를 다중 스케일 신경 연산자 대리 모델로 교체함으로써 고주파 FWI의 계산 병목 현상에 대한 해결책을 제공한다고 주장합니다. 이 접근 방식은 스펙트럼 편향으로 인해 표준 신경 연산자가 실패하는 영역, 즉 고도로 진동하는 매질 특성을 정확하고 효율적이며 잘 정규화된 방식으로 재구성할 수 있게 합니다. 확산 모델의 통합은 미세한 규모의 특징을 희생하지 않으면서도 부적정 문제를 처리할 수 있는 통계적으로 원칙적인 방법을 제공합니다. 이 연구는 MscaleFNO를 복잡하고 진동이 심한 환경에서의 고해상도 파동장 이미징을 위한 핵심적인 조력자로 위치시킵니다.