Earthquake aftershock forecasting with conditional generative models

거대한 지진이 발생하면 지면은 단순히 조용해지는 것이 아닙니다. 몇 시간, 며칠, 때로는 몇 년 동안 지각은 계속해서 흔들리며, 여진이라고 알려진 수천 개의 작은 진동을 방출합니다. 이들은 예측 가능한 리듬을 따릅니다. 본진 직후에 가장 빈번하게 발생하며 점차 사라지며, 그 위치는 파쇄된 특정 단층선을 따라 군집하는 경향이 있습니다. 과학자들은 오랫동안 통계적 규칙을 사용하여 이러한 여진이 어디에서 언제 발생할지 추측해 왔으며, 각 진동을 거대한 무작위 구름 속의 고립된 점으로 취급했습니다. 이러한 전통적인 방식은 평균적으로는 잘 작동하지만, 특정 시퀀스가 전개되는 복잡한 실제 세계의 세부 사항을 포착하는 데는 종종 실패합니다. 이들은 여진 구역의 정확한 형태나 특정 시퀀스가 얼마나 많은 진동을 만들어낼지를 예측하는 데 어려움을 겪으며, 실제 지진의 여파를 정의하는 들쭉날쭉하고 단층에 정렬된 패턴을 뭉뚱그려 표현하곤 합니다.

캘리포니아 대학교 버클리 캠퍼스의 한 연구자는 단순한 통계 수준을 넘어선 새로운 방식의 시퀀스 예측법을 개발했습니다. 이 연구자는 개별적인 진동을 하나씩 예측하려고 노력하는 대신, 컴퓨터 모델이 전체 미래의 지진 활동 경관을 하나의 진화하는 그림으로 상상하도록 훈련시켰습니다. QuakeGen이라 불리는 이 새로운 접근 방식은 방대한 양의 역사적 지진 데이터를 학습하여 여진이 시공간적으로 어떻게 퍼져 나가는지 이해합니다. 기존 정부 기관에서 사용하는 표준 방식들과 비교했을 때, 이 새로운 모델은 여진이 어디에 밀집될지, 그리고 활동이 어떻게 감쇠할지를 훨씬 더 정확하게 짚어내는 것으로 증명되었습니다. 이 모델은 기존 모델들이 모호하고 원형적인 추측으로 대체해 버리곤 했던, 실제 단층선을 따르는 길고 좁은 형태의 여진 구역을 성공적으로 재현해 냈습니다.

이 연구의 핵심 아이디어는 관점의 전환입니다. 전통적인 예측은 지진 시퀀스를 별개의 사건 목록처럼 취급하며, 얼마나 많은 사건이 어디에서 발생할지를 추정하기 위해 고정된 수학 공식을 사용합니다. 이러한 공식들은 여진이 연못의 파문처럼 중심으로부터 모든 방향으로 균일하게 퍼져 나간다고 가정합니다. 그러나 실제 지진은 그렇게 행동하지 않습니다. 여진은 보통 부서진 단층을 따라 줄을 지어 나타나며, 지하 깊은 곳의 파쇄 기하학적 구조를 반영하는 길고 늘어진 군집을 형성합니다. 연구자는 모든 개별 사건을 예측하려고 노력하는 것이 더 큰 그림을 보는 데 한계가 있다는 점을 깨달았습니다. 대신, 그는 예보를 기상학자들이 날씨를 지도화하는 것과 유사한 '장(field)'으로 다루기로 했습니다. 그는 모든 작은 구역에서 예상되는 진동의 횟수와 최대 규모의 진동 크기를 모두 보여주는, 완전한 미래 지진 활동 지도를 생성할 수 있는 모델을 원했습니다.

이 시스템을 구축하기 위해 연구자는 확산 모델(diffusion model)이라 불리는 인공지능 기술을 사용했습니다. 최근 날씨 예측이나 단백질 구조 분석 분야에서 혁신을 일으킨 이 기술은 노이즈를 추가하는 과정을 역전시키는 법을 학습합니다. 선명한 사진이 서서히 정적(static)으로 덮여 순수하고 의미 없는 입자로 변하는 과정을 상상해 보십시오. 확산 모델은 그 입자로부터 단계적으로 노이즈를 제거하여 원래의 이미지를 드러내는 법을 배웁니다. 이 연구에서 '이미지'는 사진이 아니라 지진 활동의 지도입니다. 모델은 빈 노이즈 지도로부터 시작하여, 이미 일어난 정보의 안내를 받아 다음에는 어떤 일이 일어날지에 대한 명확한 예측치로 점진적으로 정교화해 나갑니다.

연구자는 모델이 얼마나 잘 일반화될 수 있는지 확인하기 위해 두 가지 유형의 데이터로 QuakeGen을 훈련시켰습니다. 첫째, 1990년부터 2023년까지 전 세계에서 발생한 수천 건의 본진과 여진을 포함하는 글로벌 데이터셋을 사용했습니다. 모델에게 대규모 지진이 발생하기 전 며칠간의 지진 활동과 발생 직후 몇 시간 동안의 여진 정보를 가르쳤습니다. 이 제한된 정보를 바탕으로 모델은 향후 며칠, 몇 주, 또는 몇 달 동안의 여진 패턴을 예측해야 했습니다. 그 후, 모델이 한 번도 본 적 없는 2024년과 2025년의 주요 지진 80건을 대상으로 테스트를 진행했습니다. 이 테스트에서 QuakeGen은 미국 지질조사국(USGS)에서 사용하는 표준 운영 모델보다 뛰어난 성능을 보였습니다. 전통적인 모델이 넓고 원형인 후광 형태의 활동 범위를 만들어낸 반면, QuakeGen은 길게 늘어진 단층 정렬 형태의 여진 구역을 정확히 식별했습니다. 예를 들어, 일본에서 발생한 규모 7.5 지진 이후, 구형 모델은 예측치를 넓은 원형으로 퍼뜨렸으나, 새 모델은 단층을 따라 150km 길이로 이어진 여진 구간을 정확히 재현했습니다.

두 번째 테스트는 남부 캘리포니아라는 단일 지역에 초점을 맞췄습니다. 여기서 목표는 단일 대형 지진의 여진을 예측하는 것뿐만 아니라, 넓은 지역에 걸친 일일 지진 발생률을 시간에 따라 예측하는 것이었습니다. 연구자는 표준 탐지기가 놓치기 쉬운 많은 미세 진동을 포함하는 해당 지역의 매우 상세한 지진 기록을 바탕으로 모델을 훈련시켰습니다. 그런 다음 모델에게 솔턴 해(Salton Sea)나 산 자신토(San Jacinto) 단층처럼 빈번한 활동이 나타나는 특정 하위 지역에 대한 일일 지진 횟수를 예측하도록 했습니다. 이 설정에서 모델은 해당 지역에 맞춰 세밀하게 조정된 최적의 통계 모델들과 대등한 성능을 보였습니다. 이는 단일한 데이터 기반 모델이 매번 새로운 지역에 맞춰 수동으로 재보정될 필요 없이, 전체 단층 시스템의 복잡한 행동을 학습할 수 있음을 시사한다는 점에서 중요합니다.

이 모델의 가장 놀라운 측면 중 하나는 불확실성을 처리하는 방식입니다. 지진 시퀀스의 미래는 본질적으로 예측 불가능하기 때문에, 모델은 단 하나의 답만을 내놓지 않습니다. 대신, 각 예보에 대해 100가지의 서로 다른 가능한 미래를 생성합니다. 이 100개의 지도 각각은 개별 진동의 구체적인 위치가 다르게 나타나는 유효한 실현 사례입니다. 연구자가 이 100개의 지도를 평균화했을 때, 실제 자연에서 관찰되는 패턴과 밀접하게 일치하는 매끄러운 전체 활동율 그림을 얻을 수 있었습니다. 이 접근 방식은 예보관들이 가장 가능성 높은 결과뿐만 아니라 전체 가능성의 범위를 볼 수 있게 하여, 위험이 어디에 집중되어 있는지에 대한 더 명확한 그림을 제공합니다.

또한 연구는 특정 구역에서 발생할 수 있는 가장 큰 규모의 여진을 예측하는 모델의 능력을 탐구했습니다. 전통적인 방법은 빈 구역에 의해 왜곡될 수 있는 통계적 평균에 의존하기 때문에 이를 수행하는 데 종-종 어려움을 겪습니다. 그러나 QuakeGen은 진동 횟수와 최대 규모를 동시에 생성합니다. 예측치의 90 백분위수를 살펴봄으로써, 모델은 가장 큰 진동이 실제 파쇄가 일어난 지점에서 발생한다는 실제 관찰 결과와 일치하도록 예보를 집중시킬 수 있었습니다. 이러한 빈도와 규모의 공동 예측은 더욱 완전하고 현실적인 위험 뷰를 제공합니다.

그럼에도 불구하고 연구자는 모델의 한계를 인정합니다. 모델은 훈련에 사용된 데이터의 품질과 양에 크게 의존합니다. 매우 드물게 발생하는 거대 지진의 경우, 모델은 가끔 총 여진 수를 과소평가하거나 파쇄 구역의 전체 범위를 포착하지 못하기도 합니다. 이는 모델이 훈련 과정에서 이러한 대규모 사건의 사례를 적게 접했기 때문입니다. 저자는 향-후 개선 방책으로, 데이터 기반 접근 방식과 물리 기반 시뮬레이션을 결 der 결합하여 더 많은 대형 지진 사례를 생성하거나, 단층 파쇄의 정확한 기하학적 구조 또는 지표 변형 측정값과 같은 추가 정보를 모델에 입력하는 방법을 제안했습니다.

이 연구는 과학자들이 지진 예측에 접근하는 방식에 있어 중요한 진전을 의미합니다. 고정된 규칙과 고립된 사건 예측에서 벗어나, 데이터로부터 직접 복잡하고 진화하는 지진장의 패턴을 학습하는 방향으로 나아감으로써, 연구자는 지진 시퀀스의 참된 본질을 포착하는 도구를 만들어냈습니다. 이 모델은 단순히 추측하는 것이 아니라 단층이 어떻게 행동하는지에 대한 근본적인 구조를 학습합니다. 비록 다음 대규모 지진이 언제 닥칠지를 예측할 수는 없지만, 지진 발생 후의 상황에 대해 훨씬 더 날카롭고 정확한 시야를 제공함으로써, 공동체가 뒤따르는 흔들림의 형태와 규모를 이해하는 데 도움을 줍니다.