Evaluating Operators for Acoustic Wave Simulation Correction

기술 요약: 음향 파동 시뮬레이션을 위한 연산자 평가

문제 정의
수치적 음향 파동 전파 시뮬레이션은 지진 영상 처리, 결함 탐지, 비파괴 검사와 같은 응용 분야에서 필수적이다. 그러나 이러한 시뮬레이션은 두 가지 주요 원인으로 인해 실제 현상과의 불일치를 겪는다: 물리적 단순화(예: 감쇠 무시)와 수치적 이산화 오차이다. 머신러닝(ML)이 탄성 파동 방정식의 수치 분산 아티팩트를 수정하는 데 적용된 사례는 있으나, 이 프레임워크가 음향 파동 방정식에 체계적으로 적용된 적은 없다. 또한, 기존 연구들은 대개 단일 아키텍처를 독립적으로 평가하며, 이는 최적이 아닌 수치 솔버와 고충실도 참조 모델 사이의 간극을 메우는 데 어떤 학습 방법이 가장 적합한지에 대한 이해의 공백을 남긴다.

방법론
저자들은 2D 이방성 음향 파동 전파를 위해 "Deep Finite Difference" 프레임워크를 구현한다. 핵심 과제는 저충실도 솔버에서 생성된 시공간 트레이스(spatiotemporal traces)를 고충실도 참조 모델의 트레이스로 매핑하는 연산자 학습으로 정식화된다.

• 데이터 생성: 본 연구는 두 가지 솔버를 사용하여 2D 주기적 균일 격자($N_t = 256$ 타임 스텝) 상에서 27,000개의 트레이스 쌍을 생성한다:
  • 참조 솔버(Reference Solver): 2차 leapfrog 시간 적분법을 사용하는 푸리에 의사 스펙트럼(Fourier Pseudo-Spectral, PS) 방식.
  • 프록시 솔버(Proxy Solver): 2차 leapfrog 시간 적분법을 사용하는 4차 중심 유한 차분(Finite Difference, FD) 방식.
  • 입력값: 불균질한 속도장은 Negahdari 등(2025)의 데이터를 사용하며, 소스(source)는 2D 가우시안 엔벨로프를 변조하는 리커 웨이브렛(Ricker wavelet)이다. 주기적 경계 조건은 FD 분산 오차를 격리하기 위해 사용된다.
• 교정 파이프라인(Correction Pipeline): 교정 과제는 잔차 학습(residual learning) 문제로 취급된다. FD 트레이스에서 선형 성분의 오차를 제거하기 위해 초기 주성분 회귀(Principal Components Regression, PCR) 교정이 적용된다. 이후 모델들은 트레이스를 정밀하게 조정하기 위해 잔차를 예측한다.
• 평가된 아키텍처: 10-겹 교차 검증 프로토콜 하에 12개의 교정 아키텍처를 벤치마킹한다. 이 제품군에는 다음이 포함된다:
  • 고전적 ML: 선형 회귀(LR), K-최근접 이웃(KNN), Extra Trees(ET), PCR.
  • 딥러닝: 다층 퍼셉트론(MLP), 1D 및 2D 합성곱 신경망(CNN1d, CNN2d), U-Net, 푸리에 신경 연산자(Fourier Neural Operator, FNO).
• 지표: 성능은 제곱 평균 제곱근 오차(Root Normalized Mean Squared Error, RNMSE)를 사용하여 측정된다. 통계적 유의성은 Holm 보정을 적용한 Wilcoxon 부호 순위 검정(Wilcoxon signed-rank test)을 통해 평가된다.

주요 결과

• 선형 전처리(Linear Pre-processing)의 영향: 초기 PCR 추측치를 포함하는 모든 파이프라인이 원시 FD 트레이스에서 직접 작동하는 파이프라인보다 실질적으로 우수한 성능을 보였다. 이는 선형 분산 성분을 먼저 제거하는 것이 효과적인 비선형 교정을 용이하게 한다는 것을 확인시켜 준다.
• 아키텍처 성능:
  • FNO: 푸리에 신경 연산자(FNO)가 가장 낮은 평균 RNMSE(0.0790)를 달성했으며, CNN2d(0.0804)가 그 뒤를 바짝 쫓았다.
  • CNN2d vs. CNN1d: 2D 합성곱이 1D 합성곱보다 미세하게 우수한 성능을 보였다. 분산 오차는 시간적 위상 변화로 나타나지만, 음향 파동의 공간적 의존성을 고려할 때 2D 커널이 공간 및 시간 교정 축을 더 효과적으로 포착함을 시사한다.
  • 통계적 유의성: FNO가 가장 좋은 성능을 보였으나, CNN2d와의 절대적인 격차는 미미했다. 임계 차이(Critical Differences) 도표는 샘플 크기($n=10$ folds)를 고려할 때 상위 성능 아키텍처(FNO 및 CNN2d) 사이에 통계적으로 유의미한 차이가 없음을 나타냈다.
• 베이스라인 비교: 모든 ML 파이프라인은 베이스라인 PCR 오차(0.0903) 미만으로 분산 불일치를 감소시켰으며, 이는 ML이 활용할 수 있는 FD와 PS 트레이스 사이의 비선형 관계가 존재함을 입증한다.

의의 및 기여
본 논문은 두 가지 주요 기여를 주장한다:

1. 음향 교정을 위한 첫 번째 체계적 벤치마크: 본 연구는 기존 문헌에서 다뤄지지 않았던 2D 이방성 음향 파동 시뮬레이션의 수치 분산을 교정하기 위한 최초의 체계적인 벤치마크를 제시한다. 또한 27,000개의 트레이스 쌍으로 구성된 공개 벤치마크 데이터셋을 도입한다.
2. 다양한 아키텍처의 통합적 평가: 단일 모델을 테스트하는 기존 연구들과 달리, 본 연구는 고전적 회귀부터 고급 신경 연산자에 이르기까지 광범위한 방법을 단일 프로토콜 하에 평가한다. 본 연구는 FNO가 이론적으로 분산 오차의 스펙트럼 특성과 잘 부합함에도 불구하고, 이 특정 음향 환경에서의 CNN 대비 실질적인 이점이 미미하며 통계적 유의성을 확인하기 위한 추가 조사가 필요함을 확립한다.

저자들은 FNO가 현재 가장 좋은 성능을 내고 있지만, CNN2d와의 통계적 유의미한 차이가 부족하다는 점을 들어 실무자들이 성능과 계산 비용 및 파라미터 수 사이의 균형을 고려해야 한다고 결론짓는다. 향후 연구로는 이 프레임워크를 3D 시뮬레이션으로 확장하고 대안적인 신경 연산자 아키텍처를 조사하는 것이 제안된다.