The Digital Geophysical Eye: A Magnetic Signature Database and Physics-Guided AI Framework for Archaeological Magnetic Interpretation

당신이 탐정이라고 상상해 보세요. 하지만 당신은 지문이나 발자국을 찾는 대신, 땅속에 묻힌 보이지 않는 유령을 쫓고 있습니다. 이것이 바로 **고고학적 지구물리학(archaeological geophysics)**의 세계입니다. 이 분야에서 과학자들은 단 한 번의 구멍도 파지 않고 토양 아래에 숨겨진 것을 "볼" 수 있는 특별한 도구들을 사용합니다. 그들이 가장 즐겨 사용하는 도구 중 하나는 초민감 자석 나침반 역할을 하는 장치인 자력계(magnetometer)입니다. 이 장치는 수천 년 전 인간이 남긴 흔적, 예를 들어 오래된 벽돌 벽, 고대 화로, 또는 거대한 돌 공과 같은 것들로 인해 발생하는 지구 자기장의 미세한 변화를 감지할 수 있습니다.

하지만 이 자기 지도를 읽는 것은 까다로운 일입니다. 마치 구름을 보고 그것이 토끼인지 용인지 추측하는 것과 같습니다. 수십 년 동안, 이 자기적 "유령"이 실제로 무엇인지 파악하는 일은 전적으로 인간 전문가의 직관과 수년간의 경험에 의존해 왔습니다. 만약 당신이 서로 다른 두 명의 전문가에게 동일한 지도를 보여준다면, 그들은 서로 다른 이야기를 할 수도 있습니다. 과학자들이 던지는 핵심 질문은 이것입니다. "우리는 컴퓨터가 인간만큼 능숙하면서도, 추측 없이 이 탐정 업무를 수행할 수 있도록 가르칠 수 있을까?" 목표는 그 "전문가의 직관"을 기계가 따를 수 있는 명확하고 단계적인 규칙 책으로 바꾸는 것입니다. 이를 통해 과정을 공정하고, 반복 가능하며, 모두가 쉽게 공유할 수 있도록 만드는 것입니다.

---

디지털 지구물리적 눈: 컴퓨터에게 보이지 않는 역사를 보는 법 가르치기

이 연구에서 튀니지와 프랑스의 연구진은 **"디지털 지구물리적 눈(Digital Geophysical Eye)"**이라는 영리한 새로운 개념을 소개합니다. 이것을 인간 탐정을 대체하는 로봇이 아니라, 인간 전문가의 비밀스러운 언어를 컴퓨터가 이해할 수 있는 코드로 바꾸어 주는 번역기라고 생각하십시오. 연구진은 우리가 땅을 스캔하는 놀라운 도구들을 가지고 있지만, 마지막 단계인 '우리가 무엇을 보고 있는지 결정하는 것'은 항상 블랙박스 상태였다는 점을 깨달았습니다. 그들은 그 상자를 열고, 전문가가 어떻게 생각하는지를 정확하게 기록하여, 그 사고 과정을 디지털 버전으로 구축하고자 했습니다.

문제점: "직관"의 간극

보통 고고학자가 자기 지도를 볼 때, 그들은 단순히 구불구불한 선을 보는 것이 아닙니다. 그들은 이야기를 봅니다. 그들은 형태, 방향, 신호의 강도를 살피며 "이것이 벽처럼 보이는가? 아니면 오래된 화로인가?"라고 묻습니다. 이 과정을 "지구물리적 눈(Geophysical Eye)"이라고 부릅니다. 이는 실제 발굴(현장에 직접 파서 실제로 무엇이 있는지 확인하는 것)과 자기 지도를 비교하며 쌓아온 숙련된 기술입니다. 하지만 이 기술은 전문가의 머릿속에 존재하기 때문에, 타인에게 가르치거나 컴퓨터에게 학습시키기가 어렵습니다. 만약 두 명의 전문가에게 같은 지도를 해석하라고 한다면, 특히 복잡한 유적지에서는 의견이 갈릴 수 있습니다.

해결책: 자기적 "레시피 북"

이를 해결하기 위해 연구진은 **자기 시그니처 데이터베이스(Magnetic Signature Database, MSD)**라고 불리는 것을 구축했습니다. 거대한 요리책을 상상해 보세요. 하지만 케이크 레시피 대신 자기 신호에 대한 레시피가 들어 있습니다. 그러나 그들은 단순히 "이것은 벽처럼 보인다"라고 적지 않았습니다. 그들은 이를 물리학적으로 세분화했습니다. 그들은 물었습니다. 이 물체가 자기 신호를 만들어내는 물리적인 이유는 무엇인가?

그들은 데이터베이스를 단순히 역사적 관점이 아닌 물리학을 기준으로 정리했습니다. 예를 들어:

• 석회암 벽은 석재 자체가 약간의 자성을 띠기 때문에(유도 자화) 신호를 생성합니다.
• 오래된 화로와 가마는 너무 뜨겁게 가열되어 영구적인 자성을 갖게 되었기 때문에(열잔류 자화) 신호를 생성합니다.

연구팀은 튀니지와 프랑스에서 연구한 다섯 가지 특정 유형의 고고학 유적지로부터 실제 데이터를 수집했습니다:

1. 석회암 벽 (튀니지 헤를라)
2. 장례용 소각 구조물 (프랑스 리셰옴)
3. 고대 화로 (프랑스 라자레트 동굴)
4. 도자기 가마 (프랑스 퓔로랑)
5. 화강암 공 (튀니지 카르타고 박물관)

각 항목에 대해, 그들은 단순히 자기 지도의 사진을 찍은 것이 아닙니다. 실험실에서 실제 암석과 토양을 측정한 다음, 물리 방정식을 사용하여 해당 물체들이 자기 지도에서 어떻게 보여야 하는지를 시뮬레이션했습니다. 이를 통해 각 물체의 유형을 진폭(신호의 강도), 극성(자석의 방향), 기하학적 구조(모양)와 같은 특정 숫자로 정의된 "자기 시그니처"를 만들었습니다.

마법 같은 기술: 데이터를 만드는 올바른 방법

여기서 매우 영리한 부분이 등장합니다. 연구진은 컴퓨터를 훈련시킬 실세계의 예시가 충분하지 않다는 것을 알고 있었습니다. 개 사진을 세 장만 보여주고는 컴퓨터에게 1,000가지 종류의 개를 인식하도록 가르칠 수 없습니다. 그래서 그들은 **순방향 모델링(forward modelling)**을 사용했습니다.

이것은 비디오 게임과 같습니다. 그들은 실제 "레시피"(벽과 가마의 물리학)를 가져와 컴퓨터에게 명령했습니다. "자, 벽이 1미터 깊이에 묻혀 있다고 가정해 봐. 이제 2미터 깊이에 있다고 가정해 봐. 이제 45도 회전했다고 가정해 봐." 그들은 6,000개의 합성 자기 이미지를 생성했습니다. 이것들은 무작위한 추측이 아니었습니다. 그들이 측정한 실제 측정값을 바탕으로 한 물리적으로 현실적인 시뮬레이션이었습니다. 이를 통해 컴퓨터는 상황의 "물리학"을 100% 정확하게 유지하면서도, 공부할 수 있는 방대한 예시 라이브러리를 갖게 되었습니다.

테스트: 컴퓨터가 배울 수 있을까?

6,000개의 시뮬레이션 이미지가 준비되자, 팀은 **합성곱 신경망(Convolutional Neural Network, CNN)**을 훈련시켰습니다. 만약 당신이 사진 속의 고양이를 인식하는 AI에 대해 들어본 적이 있다면, 이것은 같은 종류의 기술이지만, 고양이 대신 "고대 벽"과 "오래된 화로"를 인식하도록 배우는 것입니다.

결과는 꽤 유망했습니다:

• 컴퓨터는 한 번도 본 적 없는 테스트 세트에 대해 **90.7%**의 정확도로 정답을 맞혔습니다.
• 컴퓨터는 석회암 벽(정확도 100%)과 화강암 공(정확도 99.7%)을 찾아내는 데 달인이었습니다. 이들은 매우 뚜렷하고 독특한 모양과 자기적 특성을 가지고 있기 때문에 쉽습니다.
• 하지만 컴퓨터는 화기 관련 구조물(가마, 화로, 소각 구덩이) 사이에서 약간 혼란을 겪었습니다. 테스트 케이스 중 약 14회에서 23회 정도 이를 혼동했습니다.

왜 혼동했을까요? 그 세 가지가 물리적으로 매우 유사하기 때문입니다! 세 가지 모두 가열되었기 때문에 모두 동일한 유형의 자기적 "지문"(열잔류 자화)을 가지고 있습니다. 컴퓨터가 무작위적인 실수를 한 것이 아니라, 인간 전문가조차 까다로워할 만한 실수를 한 것입니다. 이는 실제로 시스템이 제대로 작동하고 있음을 증명합니다. 즉, 컴퓨터가 단순히 그림을 암기하는 것이 아니라 물리학을 배우고 있다는 것입니다.

컴퓨터가 "본" 것

연구진은 단순히 컴퓨터의 말만 믿지 않았습니다. 그들은 AI의 "두뇌" 내부를 들여다보며 AI가 어떤 특징에 주목하고 있는지 확인했습니다. 그들은 AI가 인간 전문가가 찾는 것과 정확히 똑같은 것을 찾고 있다는 것을 발견했습니다. 즉, 벽의 날카로운 모서리, 가마의 원형 구조, 그리고 자기 신호가 어떻게 사라지는지 등을 보고 있었습니다. AI는 단순히 추측하는 것이 아니라, 인간이 사용하는 것과 동일한 물리적 단서들로 이미지를 분해하고 있었습니다.

결론

이 논문은 완벽하고 즉시 사용 가능한 로봇 고고학자를 만들었다고 주장하는 것이 아닙니다. 대신, **"디지털 지구물리적 눈"**이라는 개념이 작동한다는 것을 입증합니다. 그들은 모호한 전문가의 "직관"을 컴퓨터가 학습할 수 있는 구조화된 물리 기반 데이터베이스로 성공적으로 전환했습니다.

핵심적인 교훈은 실제 발굴 데이터, 실험실 측정값, 그리고 물리 시뮬레이션을 결과적으로 결합함으로써, 그들이 단순히 '무엇'이 아니라 자기 신호 뒤에 숨겨진 '이유'를 이해하는 시스템을 만들었다는 점입니다. 비록 컴퓨터가 물리적으로 유사한 것들(예: 서로 다른 종류의 고대 화로)에 대해서는 여전히 조금 어려움을 겪고 있지만, 그 오류는 논리적이며 물리적으로 일관됩니다.

저자들은 이것을 첫 단계로 보고 있습니다. 그들은 더 많은 유형의 유적지와 실제 데이터를 추가하여 거대하고 국제적인 자기 시그니처 라이브러리를 구축하기를 희망합니다. 미래에 이 "디지털 눈"은 전 세계의 고고학자들이 지도를 더 빠르고 정확하게 해석하는 데 도움을 주어, 자기 지도의 신비로운 구불구불한 선들을 우리 과거에 대한 명확한 이야기로 바꿔놓을 수 있을 것입니다.