On-Board Real-Time AI Compensation System for Nonlinear Drift in Electrochemical Seismometers

기술 요약: 비선형 드리프트에 대한 전기화학 지진계용 온보드 실시간 AI 보상 시스템

문제 정의
전기화학 지진계(MET)는 높은 민감도, 넓은 대역폭, 기울기 및 충격에 대한 견고함 덕 인해 차세대 지질 탐사 분야에서 유망한 센서로 부상하고 있습니다. 그러나 이들의 실제 적용은 상당한 진폭 의존적 비선형성으로 인해 제약을 받습니다. 이러한 비선형성은 기계적, 유체적, 전기화학적 과정의 복잡한 결합에서 발생하며, 이는 주파수 응답 드리프트(고유 진동수 및 민감도 변화)를 유발하여 지진 데이터의 품질과 이벤트 탐지 신뢰도를 저하시킵니다.

기존의 완화 전략들은 다음과 같은 뚜렷한 한계를 가집니다:

• 구조적 최적화: MEMS 설계 개선을 통해 일관성을 높일 수 있으나, 선형성 개선 효과는 제한적이며 일반적으로 작은 입력 크기(예: < 0.13 m/s²) 범위 내에서만 준선형 동작을 보장합니다.
• 힘 피드백(Force Feedback): 능동 피드백은 비선형성을 억제할 수 있지만, 기계적 복잡성을 증가시키고 큰 진폭에서 위상 여유(phase margin) 감소로 인한 폐루프 발산(oscillation)의 위험을 초래합니다.
  의
• 데이터 기반 딥러닝: 정확도는 높지만, 표준 딥러닝 모델(예: MLP, RNN)은 자원이 제한된 마이크로컨트롤러에서 실시간 처리 요구 사항을 충족하기 어려운 집중적인 행렬 연산에 의존합니다. 또한, 순수 데이터 기반 접근 방식은 특정 물리적 주파수 응답 특성을 간과하는 경우가 많습니다.

방법론: Wiener-KAN
실시간 실행을 위한 임베디드 하드웨어의 계산 능력과 물리적 해석 가능성이라는 두 가지 과제를 해결하기 위해, 저자들은 온보드 실시간 실행을 위해 설계된 피드포워드 보상 시스템인 Wiener-KAN을 제안합니다. 이 아키텍처는 세 가지 핵심 구성 요소로 통합됩니다:

1. Wiener 모델 분해: 시스템은 보상 작업을 선형 동적 부분과 정적 비선형 부분으로 분리하는 Wiener 모델 개념을 채택합니다.

   • 선형 레이어 (Wiener Linear Layer): 동역학을 처음부터 학습하는 대신, 이 레이어는 **진폭 조건부 로컬 전달 함수(magnitude-conditioned local transfer functions)**로 초기화됩니다. 이는 고정된 진폭에서의 측정된 주파수 응로 슬라이스로부터 유도되며, 물리적 사전 지식(physical prior)을 주입하여 주파수 특징 추출을 빠르게 수행할 수 있게 합니다.
   • 비선형 레이어 (KAN): 학습 가능한 스플라인 활성화 함수를 사용하는 Kolmogorov-Arnold Network(KAN)가 나머지 진폭 의존적 비선형성을 처리합니다. MET 센서의 물리적 거동에 맞추기 위해, KAN은 방향 일관성과 단조성을 보존하도록 부호 및 대칭 제약(홀수 대칭 및 양수성)을 적용합니다.

2. 진폭-주파수 손실 함수 (AFMAE): 표준 점별 손실 함수(MAE/MSE)가 주파수 응로 특성을 보존하기에 불충분하다는 점을 인식하여, 저자들은 커스텀 손실 함수를 도입했습니다. AFMAE는 주파수 영역에서 보상된 출력과 이상적인 참조 모델 사이의 로그 진폭 차이를 정량화합니다. 이는 표준 MAE와 결합되어 시간 영역의 파형 충실도와 주파수 영역의 안정성을 공동으로 최적화합니다.

3. 실시간 임베디드 배포 (LUT): 마이크로컨트롤러에서 스플라인 함수를 평가할 때 발생하는 계산 병목 현상을 극복하기 위해, 훈련된 KAN 활성화 함수는 훈련 후 **룩업 테이블(LUT)**로 사전 계산됩니다. 추론 시, 복잡한 부동 소수점 스플라인 계산은 초저지연 메모리 주소 지정 및 테이블 조회로 대체되어, 연속적인 샘플링 스트림에 대한 포인트 단위 처리를 가능하게 합니다.

주요 기여

• Wiener-KAN 아키텍처: 센서 보상에 특화된, 물리적 사전 지식이 주입된 Wiener 선형 레이어와 제약된 KAN을 결합한 새로운 하이브리드 모델을 제시합니다.
• 3차원 주파수 응답 데이터셋: 저자들은 진폭-주파수 결합 효과를 포착하는 포괄적인 데이터셋을 구축하여 공개했습니다. 여기에는 300개의 운용 조건(12개 주파수 × 25개 진폭)이 포함된 쌍을 이룬 시간 영역 시퀀스가 포함되어 있으며, 소신호 선형성에서 대신호 비선형성으로의 전이를 기록합니다.
• AFMAE 손실 함수: 단순히 시간 영역의 오차를 넘어, 주파수 응답 드리프트와 민감도 안정성을 명시적으로 타겟팅하도록 설계된 특화된 손실 메트릭입니다.
• 임베디드 최적화: 스플라인 기반 신경망을 룩업 테이블로 변환하는 배포 전략을 통해, 모델의 표현력을 유지하면서도 자원이 제한된 하드웨어에서 높은 처리량을 달enc achieves.

실험 결과
시스템은 입력 진폭이 0.24에서 6.0 m/s²에 이르는(이전 벤치마크보다 10배 이상 증가) 데이터셋을 사용하여 STM32F405 마이크로컨트롤러에서 평가되었습니다.

• 보상 성능: Wiener-KAN은 보상되지 않은 센서에 비해 주요 물리적 지표를 크게 감소시켰습니다:
  • 주파수 드리프트: 34.50 Hz에서 2.34 Hz로 감소.
  • 민감도 드리프트 (100 Hz에서): 84.56 V·s/m에서 9.09 V·s/m로 감소.
  • 선형성 오차: 2.004%에서 **0.511%**로 감소.
• 베이스라인 비교: Wiener-KAN은 물리적 보상 정확도와 온보드 효율성 모두에서 다양한 시계열 베이스라인(1DCNN, TCN, RNN, GRU, LSTM, LSTM-Transformer)을 능가했습니다. 예를 들어, TCN은 유사한 선형성 오차를 달성했으나 처리량은 현저히 낮았습니다.
• 실시간 실현 가능성: LUT 기반 구현은 5.6 KB의 최소 RAM 점유율과 함께 6986.7 points/s의 처리량을 달성하여, 연속적인 지진 샘플링을 위한 실시간 요구 사항을 충족했습니다.

의의 및 주장
본 논문은 Wiener-KAN이 추가적인 힘 피드백 하드웨어 없이도 전기화학 지진계의 실시간 비선형 보상을 위한 효과적인 솔루션을 제공한다고 주장합니다. 문제를 물리적으로 초기화된 선형 단계와 제약된 비선형 단계로 분해함으로써, 이 방법은 분석적으로 어려운 대신호 비선형성을 처리하는 동시에 센서의 소신호 모델에 대한 해석 가능성을 보존합니다.

본 연구는 피드포워드 소프트웨어 보상이 진폭 의존적 드리프트를 효과적으로 억제할 수 있음을 입증하며, 이를 통해 MET 센서의 동적 범위를 확장하고 지질 탐사에서의 신뢰도를 높일 수 있음을 보여줍니다. 제안된 워크플로우—진폭-주파수 테스트, 물리적 사전 지식, 제약된 KAN 매핑, 그리고 LUT 기반 추론의 연결—는 엣지 디바이스에 실시간 AI 보상을 배치하기 위한 재현 가능한 경로를 제공합니다. 저자들은 결과가 테스트된 센서 샘플과 환경 조건에 특화되어 있음을 언급하며, 로컬 주파수 응답을 다시 측정하고 참조 시스템을 재구축한다면 이 워크플로우가 다른 MET 구조에도 적응 가능하다는 점을 시사했습니다.