기술 요약: 수중 전파 손실 예측을 위한 뉴럴 오퍼레이터의 스펙트럼 편향 완화

1. 문제 정의

수중 음향 전파 손실(Transmission Loss, TL)을 정확하고 빠르게 예측하는 것은 센서 배치 최적화 및 이동체 경로 계획과 같은 실시간 해양 응용 분야에서 필수적입니다. RAM(Range-Dependent Acoustic Model)과 같은 전통적인 수치 해석 솔버는 신뢰할 수 있는 결과를 제공하지만, 계산 비용이 높아 대규모 또는 실시간 추론에는 부적합합니다.

딥 러닝 대리 모델, 특히 푸리에 뉴럴 오퍼레이터(Fourier Neural Operator, FNO)는 전역적 수용 영역(global receptive fields) 덕분에 효율적인 대안으로 부상했으나, **스펙트럼 편향(spectral bias)**이라는 결정적인 한계를 보입니다. 표준 FNO 아키텍처는 전역적 상관관계를 계산하기 위해 가장 낮은 $k$개의 주파수 모드만을 유지하는 주파수 절단 메커니즘을 채택합니다. 이 연산은 저역 통과 필터(low-pass filter)로 작용하여 FNO 모델이 과도하게 매끄러운(over-smoothed) 예측을 생성하게 만듭니다. 결과적으로 FNO는 전역적인 전파 경향은 효과적으로 포착하지만, 수중 음향장의 고유한 미세한 간섭 패턴과 급격한 공간 구배(spatial gradients)를 해결하는 데 실패합니다.

2. 방법론: 스펙트럼-공간 잔차 학습(Spectral-Spatial Residual Learning, S2RL)

전역적 일관성과 국소적 세부 사항 사이의 트레이드오프를 해결하기 위해, 저역 통과 전파기로서의 FNO에 대한 연산자 이론적 해석을 바탕으로 한 2단계 스펙트럼-공간 잔차 학습(S2RL) 프레임워크를 제안합니다. 이 접근 방식은 TL 예측 작업을 저해상도에서 고해상도로 이어지는 과정으로 분해합니다.

A. 이론적 동기

연산자 관점에서 볼 때, 절단된 모드를 사용하는 FNO는 솔루션 연산자를 대역 제한 투영($U_{coarse} \approx P_{low}U$)으로 근사합니다. 예측 오차는 무작위 노이즈가 아니라 상보적인 고주파 공간에 존재하는 구조화된 잔차($U_{res} \approx P_{high}U$)입니다. S2RL 프레임워크는 TL 장을 다음과 같이 이 구성 요소들의 합으로 명시적으로 모델링합니다:
$$U = P_{low}U + P_{high}U$$

B. 프레임워크 아키텍처

이 프레임워크는 두 개의 직렬 연결된 신경망으로 구성됩니다:

1. 단계 I: 전역 전파기 ($G_1$)

   • 역할: 음향장에 대한 전역적으로 일관된 거친(coarse) 예측을 생성합니다.
   • 아키텍처: FNO 기반의 백본을 사용합니다. 저자들은 두 가지 변형을 평가합니다:
     • Vanilla FNO: 가공되지 않은 해양 음속장을 입력으로 사용합니다.
     • Hankel-FNO: 물리적 사전 지식(거리 의존적 확산 손실을 포착하기 위한 0차 행켈 함수의 점근적 거동 및 해저 지형 임베딩 포함)을 입력에 추가합니다.
   • 출력: 지배적인 전파 경향은 포착하지만 고주파 세부 사항은 결여된 저주파 근사치($U_{coarse}$)를 출력합니다.

2. 단계 II: 국소 정밀화기 ($G_2$)

   • 역할: 단계 I의 과도하게 매끄러운 출력을 교정하기 위해 고주파 잔차를 복구합니다.
   • 아키텍처: 공간 도메인에서 작동하는 U-Net입니다. FNO와 달리 U-Net은 국소 컨볼루션과 스킵 연결(skip connections)을 사용하여 가장자리, 급격한 구배, 국소 텍스처를 포착하는 데 능숙합니다.
   • 입력/출력: $U_{coarse}$를 입력으로 받아 잔차 맵($U_{res}$)을 예측합니다.
   • 최종 예측: 최종 출력은 거친 예측과 정밀화된 잔차의 합입니다: $U_{pred} = U_{coarse} + U_{res}$.

C. 훈련 전략

네트워크는 안정성을 보장하기 위해 단계별 전략을 사용하여 순차적으로 훈련됩니다:

• 단계 1 (전역 경향 학습): 전역 전파기($G_1$)는 출력과 실제 값(ground truth) 사이의 마스킹된 L2 손실을 최소화하도록 훈련됩니다. 바이너리 마스크를 사용하여 퇴적물 층을 제외하고 수층(water column)에 최적화를 집중합니다.
• 단계 2 (잔차 학습): $G_1$이 수렴하면 그 파라미터를 고정합니다. 그 후 국소 정밀화기($G_2$)는 최종 예측($U_{coarse} + G_2(U_{coarse})$)의 재구성 오차를 최소화하도록 훈련되어, 거친 근사치와 실제 고주파 세부 사항 사이의 차이를 학습합니다.

3. 주요 기여

• 스펙트럼-공간 분해: 본 논문은 FNO의 저역 통과 특성을 직접적으로 해결하기 위해 전역 파동 전파 모델링(스펙트럼 도메인)과 국소 세부 사항 재구성(공간 도메인)을 분리하는 원칙적인 프레임워크를 도입했습니다.
• 하이브리드 아키텍처: 전역적 경향을 위한 FNO의 효율성과 고주파 잔차를 위한 U-Net의 다중 스케일 특징 추출 능력을 결합한 특정 계층적 설계를 제안합니다.
• 물리적 사전 지식 통합: 초기 거친 예측을 향상시키기 위해 FNO 백본에 도메인 특화 지식(행켈 함수 점근식 및 지형 정보)을 통합하는 방법을 보여줍니다.
• 효율적인 고주파 복구: 더 조밀한 이산화나 반복적 정밀화(예: PINNs)를 요구하는 방법과 달리, S2RL은 정밀화 네트워크의 단일 순방향 패스(forward pass)를 통해 미세한 스케일의 복구를 달성합니다.

4. 실험 결과

실험은 RAM을 사용하여 200 Hz에서의 전파 손실을 시뮬레이션한 남중국해 유래 데이터셋을 대상으로 수행되었습니다. 데이터셋은 10 km 범위와 1.5 km 깊이를 포함하여 3,456개의 샘플로 구성되었습니다.

• 정확도: S2RL 프레임워크는 베이스라인 FNO 모델보다 성능이 크게 향상되었습니다.
  • Vanilla FNO: RMSE가 2.93 dB에서 1.56 dB로 감소했습니다.
  • Hankel-FNO: RMSE가 1.95 dB에서 1.54 dB로 감소했습니다.
  • 두 백본 모두 유사한 고정밀 수준으로 수렴하여 국소 정밀화기의 견고함을 입증했습니다.
• 효율성: 모든 뉴럴 모델은 밀리초 단위의 추론 속도(약 310 ms)를 달달성했으며, 이는 RAM 솔버(333 ms)보다 두 자릿수 더 빠릅니다. 정밀화 단계의 추가로 인한 오버헤드는 미미했습니다(5 ms).
• 스펙트럼 분석: 전력 스펙트럼 밀도(PSD) 분석 결과, 거친 예측은 저주파에서는 실제 값과 일치하지만 스펙트럼 편향으로 인해 고주파에서는 급격히 감쇠됨을 확인했습니다. 정밀화된 예측은 이러한 고주파 에너지를 성공적으로 복구하여 전체 스펙트럼에 걸쳐 실제 값의 프로파일을 밀접하게 추적했습니다.
• 시각적 품질: 시각적 비교를 통해 Vanilla FNO는 흐릿한 간섭 무늬를 생성하는 반면, S2RL은 이러한 불일치를 바로잡아 날카롭고 정밀한 패턴을 복구함을 보여주었습니다.

5. 의의 및 주장

본 논문은 S2RL 프레임워크가 단순히 스펙트럼 해상도나 네트워크 깊이를 높이는 것(종종 한계 효용 체감의 법칙이 적용됨)보다 원칙적인 대안을 제공한다고 주장합니다. 저주파 전역 전파와 고주파 간섭 잔차로 문제를 명시적으로 분해함으로써, 이 방법은 계산 효율성과 재구성 충실도 사이의 균형을 달성합니다.

저자들은 S2RL을 복잡한 음향 파동 전파를 위한 효율적이고 정확한 대리 모델로 위치시키며, 이는 전역적 일관성과 국소적 정밀도를 모두 갖춘 예측을 제공할 수 있습니다. 이는 정밀한 미세 간섭 패턴의 해상도가 중요한 실시간 해양 음향 응용 분야에 특히 적합합니다. 이 프레임워크는 뉴럴 오퍼레이터의 속도 이점을 유지하면서도 그 주요 한계인 스펙트럼 편향을 극복합니다.