Improving Deep Learning-Based Seismic Phase Picking by Addressing Label Imbalance

지구의 비밀스러운 언어와 놓쳐버린 음표들

지구가 거대하고 끊임없이 움직이는 드럼이라고 상상해 보세요. 지구가 움직이거나, 갈라지거나, 자리를 잡을 때마다, 그것은 지면을 통해 공기 중의 소리처럼 퍼져 나가는 파동, 즉 지진파를 보냅니다. 지진학자들은 이 파동을 듣고 지하 깊은 곳에서 무슨 일이 일어나고 있는지 이해하려고 노력하는 청취자들입니다. 수십 년 동안 그들의 업무는 붐비고 시끄러운 방 안에서 특정한 속삭임을 찾아내려는 것과 같았습니다. 그들은 화면 위의 구불구불한 선들을 응시하며, 'P파'(가장 먼저 도착하는 빠른 파동)나 'S파'(더 느리고 흔들림을 동반하는 파동)가 나타나는 정확한 순간을 수동으로 찾아내야 했습니다. 그것은 느리고 고된 작업이었으며, 현대의 센서들이 24시간 내내 지구를 기록함에 따라 인간의 눈으로는 감당할 수 없을 만큼 너무 많은 데이터가 쌓이게 되었습니다.

여기에 딥러닝, 즉 인간보다 더 빠르게 패턴을 찾아낼 수 있는 학습 능력을 갖춘 일종의 컴퓨터 두뇌가 등장했습니다. 이 디지털 탐정들은 지구의 드럼 비트를 읽어내는 데 놀라울 정도로 능숙해졌으며, 인간이 놓칠 수도 있는 지진들을 찾아내고 있습니다. 하지만 문제가 하나 있습니다. 지구가 정말 요란해질 때, 예를 들어 거대한 지진이 발생한 뒤 수백 번의 작은 여진이 이어질 때, 대형 이벤트의 '소음'이 작은 이벤트의 가냘픈 속삭임을 집어삼켜 버립니다. 컴퓨터는 혼란에 빠지며, 종종 작은 신호들을 놓치곤 합니다. 왜냐하면 컴퓨터는 소음 사이의 정적보다는 소음 자체에 더 집중하도록 훈련되었기 때문입니다. 이 논문은 단순한 질문을 던집니다. 컴퓨터 자체를 바꾸지 않고도 컴퓨터가 조용한 부분에 더 귀를 기울이도록 가르칠 수 있을까?

귀를 조율하기: 컴퓨터를 가르치는 새로운 방법

도쿄 대학교와 교토 대학교의 카토 신야(Shinya Katoh) 교수팀이 이끄는 연구진은 문제가 컴퓨터의 '두뇌'(아키텍처)가 아니라, 어떻게 가르치느냐에 있다는 것을 깨달았습니다. 그들은 이 훈련 과정을 선생님이 학생의 숙제를 채점하는 과정에 비유했습니다.

이 모델들을 훈련하는 표준적인 방식에서, 컴퓨터는 30초 분량의 지진 데이터를 살펴봅니다. 그 구간 안에서 '배경'(아무 일도 일어나지 않는 조용하고 지루한 부분)은 전체 시간의 약 98%를 차지합니다. 실제 지진 신호(P파와 S파)는 각각 1%만을 차지할 수도 있는 아주 작고 날카로운 스파이크 형태입니다. 컴퓨터가 학습을 시도할 때, 전체 30초를 얼마나 잘 예측했느냐에 따라 '점수'를 받게 됩니다. 배경이 너무 크기 때문에, 컴퓨터는 계속해서 '배경'이라고 예측하는 것이 높은 점수를 받는 가장 쉬운 길이라는 것을 배웁니다. 즉, 컴퓨터는 게을러져서, 전체 성적에 큰 영향을 미치지 않는다는 이유로 작고 중요한 스파이크들을 무시하게 됩니다. 이는 마치 시험 문제가 대부분 교과서의 지루한 단원들에 관한 것이라는 이유로, 학생이 지루한 단원들만 공부하여 정작 흥미롭고 결정적인 반전들을 완전히 놓쳐버리는 것과 같습니다.

이를 해결하기 위해 연구팀은 **영역 가중 소프트 교차 엔트로피 손실(area-weighted soft cross-entropy loss)**이라는 새로운 '채점 시스템'을 발명했습니다. 모든 초를 똑같이 취급하는 대신, 이 새로운 방식은 컴퓨터가 작고 중요한 스파이크를 정확히 찾아냈을 때 엄청난 보너스를 줍니다. 이는 마치 학생에게 이렇게 말하는 것과 같습니다. "지루한 배경을 맞히면 1점을 주겠지만, 만약 네가 아주 작은 P파나 S파를 찾아낸다면 100점을 주겠다!" 이 방식은 비록 드물더라도 컴퓨터가 파동의 도착 시간에 극도로 집중하도록 강제합니다.

연구 결과: 더 많은 속삭임을 포착하다

연구팀은 이 새로운 '채점 시스템'을 두 가지 인기 있는 지진 감지 모델인 SegPhase와 PhaseNet에 테스트했습니다. 그들은 모델의 두뇌를 바꾸지 않았고, 오직 게임의 규칙만을 바꿨습니다.

결과는 명확한 행동 변화를 보여주었습니다. 새로운 가중치 규칙으로 훈련된 모델들은 훨씬 더 민감해졌습니다.

• 더 정교한 타이밍: 모델이 도착 시간을 예측했을 때, 그 정밀도는 훨씬 더 높았습니다. 오류의 '분산' 혹은 퍼짐 정도가 크게 줄어들었습니다. SegPhase 모델의 경우, P파의 오류 분산은 0.20초에서 0.07초로 줄어들었고, S파의 경우 0.27초에서 0.05초로 줄어들었습니다.
• 트레이드오프(Trade-off): 하지만 더 민감해진 데에는 대가가 따랐습니다. 모델들이 실제로는 존재하지 않는 것들을 '보고' 있기 시작한 것입니다. 모델들은 실제 지진을 더 잘 잡아내게 되었지만(높은 재현율, recall), 동시에 일부 소음을 지진으로 잘못 표시하기도 했습니다(낮은 정밀도, precision). 이는 금화뿐만 아니라 음료수 캔에도 반응하는 금속 탐지기와 같습니다. 연구진은 모델들이 '재현율 중심'이 되었다고 발견했습니다. 즉, 나중에 몇 번의 오보를 확인해야 하더라도 실제 이벤트를 놓치지 않는 쪽을 택하게 된 것입니다.

실전 테스트: 리지크레스트 지진

이것이 실제로 효과가 있는지 확인하기 위해, 연구팀은 캘리포니아의 2019년 리지크레스트(Ridgecrest) 지진 시퀀스의 연속 데이터에 이 새로운 모델들을 적용했습니다. 이는 본진과 수천 번의 여진을 포함한 거대한 사건이었습니다.

결과는 인상적이었습니다. 가중치 손실 모델들은 기존 모델들보다 훨씬 더 많은 지진을 감지했습니다.

• SegPhase는 새로운 방식을 사용했을 때 기존 방식의 26,914건보다 많은 34,008건의 지진을 찾아냈습니다.
• PhaseNet은 새로운 방식을 사용했을 때 기존 방식의 23,622건보다 많은 32,997건의 지진을 찾아냈습니다.

이 수치들은 다른 전문가들이 서로 다른 방법을 사용하여 만든 기존의 두 카탈로그(목록)의 수치마저 뛰어넘었습니다. 새로운 모델들은 전문가들이 정의한 지진 구역을 성공적으로 그려내면서도, 그 사이사이에 있는 훨씬 더 많은 작은 이벤트들을 찾아냈습니다. 이는 모델이 신호를 놓치는 것을 두려워하지 않게 함으로써, 과학자들이 지진 활동에 대한 훨씬 더 완전한 그림을 그릴 수 있도록 도울 수 있음을 시사합니다.

한계: 소음이 너무 클 때

하지만 이야기는 완벽한 해결책에서 끝나지 않습니다. 연구진은 한계에 대해서도 솔직하게 밝혔습니다. 그들은 새로운 방식이 시퀀스 중간에 있는 작은 지진들을 찾는 데는 훌륭했지만, 가장 크고 시끄러운 지진 직후에는 여전히 어려움을 겪는다는 것을 발견했습니다.

거대한 지진 직후에는 지면이 오랫동안 '코다 파(coda waves)'—다음 작은 지진의 신호를 덮어버리는 혼란스럽고 에너지가 높은 웅성거림—와 함께 계속 흔들립니다. 새로운 '보너스 점수'를 주더라도, 거대한 지진의 포효가 너무 크고 무질서하기 때문에 컴퓨터는 그 작은 속삭임을 들을 수 없었습니다. 이 논문은 훈련 규칙을 바꾸는 것이 도움이 될 수는 있지만, 신호들이 물리적으로 서로 아래에 파묻혀 있는 문제를 해결할 수는 없다는 점을 시사합니다.

핵심 요약

이 논문은 어떤 문제를 해결하기 위해 항상 더 크고 복잡한 컴퓨터 두뇌를 만들 필요는 없다는 것을 보여줍니다. 때로는 그저 가르치는 방식을 바꾸기만 해도 됩니다. 데이터 속의 작고 결정적인 순간들에 대한 중요도를 재조정함으로써, 연구진은 기존 모델들이 특히 놓치기 쉬운 작은 지진들을 훨씬 더 잘 포착하도록 만들었습니다. 이는 소음과 혼돈이 가득한 지진 과학의 세계에서, 때로는 과거의 조용한 부분에 조금 더 귀를 기울이는 것이 미래를 듣는 가장 좋은 방법이 될 수 있음을 상기시켜 줍니다.