Full cross-correlation inversion for quantitative passive imaging with time-harmonic acoustic waves

기술 요약: 정량적 수동 이미징을 위한 전체 상호 상관 역산

문제 정의
본 연구는 수동 이미징 데이터(passive imaging data)를 사용하여 매질의 물리적 특성을 재구성하는 정량적 역문제(quantitative inverse problem)를 다룹다. 제어된 여기(excitation)에 의존하는 능동 소스 이미징(active-source imaging)과 달리, 수동 이미징은 확률적 소스(예: 미소 지진 활동 또는 난류 대류)에 의해 생성된 주변 파장(ambient wavefields)을 활용한다. 핵심적인 과제는 이러한 확률적 관측값과 결정론적 매질 특성 사이의 관계를 규명하는 것이다. 전통적인 접근 방식은 흔-상관(cross-correlation)으로부터 이동 시간(travel times)을 추출하거나 "편리한" 소스 분포(상호 상관이 그린 함수(Green's function)의 허수부에 비례한다는 가정)에 의존하는 경우가 많지만, 본 논문은 전체 파형(full-waveform) 접근 방식에 집중한다. 목표는 데이터를 이동 시간으로 축소하거나 균일한 소스 분포를 가정하지 않고, 매질의 파동 속도($c$), 밀도($\rho$), 그리고 확률적 소스의 공간 공분산($S$)을 재구성하는 것이다.

방법론
저자들은 시변 조화 음향 파동 전파(time-harmonic acoustic wave propagation)를 사용하여 문제를 정식화한다. 주변 신호는 공간적으로 상관관계가 없는 평균이 0인 확률적 소스들의 중첩으로 모델링된다. 이러한 가정하에, 두 지점 사이의 신호 간 상호 상관의 기대값은 그린 함수와 소스 공분산과 관련된 결정론적 양으로 유도된다.

• 순방향 모델링 (Forward Modeling): 파동 방정식은 압력과 입자 속도를 포함하는 1차 계(first-order system)로 취급된다. 기대 상호 상관은 두 단계의 연속적인 파동 문제를 푸는 것으로 계산된다. 첫째, 임펄스 응답을 얻기 위해 델타 소스를 가진 그린 함수 문제를 풀고, 둘째, 그린 함수와 소스 공분산의 곱으로 구성된 우변(right-hand side)을 가진 문제를 푼다. 이 정식화는 서로 다른 필드 성분(예: 압력과 속도) 간의 상호 상관을 계산할 수 있게 한다.
• 이산화 (Discretization): 수치 프레임워크에는 하이브리드화 가능한 불연속 갤러킨(Hybridizable Discontinuous Galerkin, HDG) 방법을 채택하였다. 이 방식은 전역 선형 시스템을 확장하지 않고도 스칼라 및 벡터 필드 모두에 직접 접근할 수 있는 1차 계 처리에 효율적이라는 장점이 있다. 또한 $hp$-적응성(adaptivity)과 병렬화를 지원한다. HDG 정식화는 격자 면(face) 위의 자유도만을 포함하는 전역 선형 시스템을 생성하며, 국부적인 체적 해(volume solution)는 정적 응축(static condensation)을 통해 복구된다.
• 역문제 정식화: 재구성은 표준 전 파형 역산(Full Waveform Inversion, FWI)과 유사하게, 기대 상호 상관을 데이터 오차(misfit)로 사용하는 비선형 최소화 문제로 설정된다. 목적 함수는 관측된 상호 상관과 시뮬레이션된 상호 상관 사이의 $L^2$ 거리를 측정한다.
• 기울기 계산 (Gradient Computation): 역 문제를 반복적으로 해결하기 위해, 아드조인트 상태 방법(adjoint-state method)을 사용하여 오차 함수의 기울기를 계산한다. 핵심적인 이론적 기여는 상호 상관 데이터에 대한 아드조인트 정식화를 유도한 것이다. 단일 아드조인트 상태를 요구하는 표준 FWI와 달리, 이 접근 방식은 상호 상관 잔차(residual)와 관련된 첫 번째 아드조인트 상태와, 첫 번째 아드조인트 상태 및 소스 공분산에 의해 구동되는 두 번째 아드조인트 상태, 즉 두 개의 아드조인트 상태를 필요로 한다. 이는 상호 상관이 매질 파라미터와 소스 분포 모두에 의존한다는 점을 반영한다.
• 최적화 (Optimization): 최소화는 헤시안(Hessian) 행렬을 명시적으로 형성하지 않고 라인 서치(line search)를 동반한 준 뉴턴(quasi-Newton) L-BFGS 알고리즘을 사용하여 수행된다.

주요 기여

1. 전체 상호 상관 파형 역산 (FCCWI): 본 논문은 이동 시간이나 1차 도착(first arrivals)만을 사용하는 대신, 전체 기대 상호 상관 파형을 활용하는 정량적 역산 프레임워크를 제안한다.
2. 결합 재구성 (Joint Reconstruction): 이 방법은 매질 파라미터($c, \rho$)와 소스 공분산($S$)을 동시에 재구성하며, 후자를 고정된 가정값이 아닌 미지수로 취급한다.
3. 상호 상관 데이터를 위한 아드조인트 상태 유도: 저자들은 상호 상관 데이터에 특화된 아드조인트 상태 정식화를 유도하였으며, 기울기를 정확하게 계산하기 위해 두 개의 아드조인트 상태가 필요함을 입증하였다.
4. HDG 구현: 본 연구는 HDG 방법을 사용하여 이 역 문제를 구현하는 상세한 방법, 특히 2단계 순방향 솔버와 2단계 아드조인트 솔버를 HDG 정적 응축 프레임워크 내에서 처리하는 방법을 기술한다.

수치 결과
방법론은 2D 및 3D 합성 실험을 통해 검증되었다:

• 실험 1 (2D, 전체 데이터): 대비가 뚜렷한 포함물(inclusions)이 있는 단위 정사각형 영역에서, FCCWI 접근 방식은 파동 속도를 성공적으로 회복하였으며, 표준 FWI와 유사한 결과를 얻었으나 배경 진동(background oscillations)이 약간 더 많이 나타났다. 소스 공분산의 재구성은 파동 속도보다 정확도가 낮게 나타났는데, 이는 2단계 역산 전략(파동 속도 우선 재구성 후 소스 공분산 재구성)이 유익함을 시사한다.
• 실험 2 (2D, 지진 설정): 표면 데이터만을 사용하는 Overthrust 모델을 사용하여, FCCWI는 파동 속도의 층상 구조를 상당히 잘 회복하였으나, FWI보다는 해상도가 낮았다. 소스 공분산의 재구성은 여전히 어려웠으며, $L^2$ 오차 함수가 진폭(소스 공분산)보다 위상(파동 속도)에 더 민감하다는 것이 증명되었다.
• 실험 3 (3D, 고대비): 고대비 포함물이 있는 3D 영역에서, FWI와 FCC와 모두 포함물의 기하학적 구조를 성공적으로 회복하였다. FCCWI는 직접 파형 데이터에 비해 경계 근처의 포함물에 대해 개선된 해상도를 보여주었으나, 포함물 내부의 진폭은 약간 과소평가하였다.
• 계산 비용: 3D 실험은 FCCWI가 FWI보다 계산 비용이 더 높다는 점을 보여준다(테스트된 설정에서 반복당 약 4배 느림). 이는 추가적인 선형 시스템을 풀어야 하고 여러 개의 우변을 조립해야 하기 때문이다.

의의 및 주장
본 논문은 제안된 프레임워크가 소스 분포에 대한 단순화된 가정(균일성 또는 "편리한 소스" 가정 등)에 의존하지 않고도 주변 소음으로부터 매질의 특성을 정량적으로 재구성할 수 있게 한다고 주장한다. 저자들은 제어된 소스 이미징(FWI)이 사용 가능할 경우 일반적으로 더 높은 정확도를 제공한다는 점을 인정하면서도, 전체 상호 상관 파형을 사용하는 수동 이미징이 매질에 대한 의미 있는 정량적 정보를 회복할 수 있음을 입증하였다.

저자들은 $L^2$ 오차 함수를 사용할 때 소스 공분산의 재구성이 파동 속도보다 더 어렵다는 점을 겸허히 언급하며, 향-개선을 위해 전용 선형 역산 전략이나 대안적인 오차 함수가 필요할 수 있다고 제언한다. 본 연구는 수동 이미징에 대한 전 파형 역산 원리의 적용을 위한 이론적, 수치적 토대를 마련하였으며, 이는 능동 소스를 사용할 수 없는 태양 진동학(helioseismology)이나 지진 모니터링 분야의 응용을 위한 길을 열어준다.