The Role of Geological Prior Information in Diffusion-Based Probabilistic Gravity Inversion

기술 요약: 확산 기반 확률적 중력 역산에서 지질학적 사전 정보의 역할

문제 정의
중력 역산은 본질적으로 비유일한(non-unique) 문제이며, 회복된 지하 밀도 분포는 사전 가정에 크게 의존한다. 기존의 결정론적 접근 방식(예: SimPEG)은 역산 문제를 안정화하기 위해 매끄러움(smoothness)이나 최소 구조 정규화를 활용하지만, 이러한 제약 조건은 접촉면, 단층, 다이크(dyke) 또는 조밀한 관입체와 같은 복잡한 지질학적 특징을 인코딩하는 데 한계가 있다. 확산 모델(Diffusion models)이 복잡한 지질 구조를 인코딩하고 확률적 역산을 수행하는 강력한 도구로 부상했음에도 불구하고, 역산 전 가용 가능한 지질학적 정보의 수준(알려지지 않음, 알려짐, 또는 불확정적임)이 사후 분포의 거동에 미치는 구체적인 영향은 아직 충분히 정량화되지 않았다. 본 연구는 지질학적 정보의 '양'이 재구성 오차, 구조적 충실도 및 불확실성 정량화에 어떻게 영향을 미치는지에 대한 이해의 간극을 다룬다.

방법론
저자는 지질학적 사전 정보의 효과를 격리하기 위해 제어된 측정 가이드 확산 워크플로우를 구현하였다. 본 연구는 여섯 가지의 절차적 생성 지질 가족(blobs, 수평 층, 경사 층, 단층 층, 다이크, 관입체)으로 구성된 합성 벤치마크를 활용하였다. 이 가족들은 서로 다른 형태학적 축(조밀함 대 분산됨, 수평 방향 대 경사 방향, 연속적임 대 단절됨)을 포괄하도록 선택되었다.

실험 설계는 동일한 역산 프레임워크 하에서 세 가지 특정 정보 상태를 비교하였다:

1. 알려지지 않은 지질 (무조건부 사전 정보, Unconditional Prior): 모든 여섯 가지 가족에 대해 레이블 없이 학습된 확산 모델($p_\theta(m)$)을 사용하여 추론한다.
2. 알려진 지질 (조건부 사전 정보, Conditional Prior): 올바른 합성 가족 레이블로 조건화된 확산 모델($p_\phi(m | g)$)을 사용하여 추론한다. 이는 "오라클(oracle)" 사례 역할을 한다.
3. 불확정적인 지질 (시나리오 앙상블, Scenario Ensemble): 여섯 가지 모든 가족에 대해 조건부 샘플러를 동일한 가중치로 실행하여 샘플을 풀링함으로써 앙상블($q_{ens}(m | d)$)을 형성한다.

역산 메커니즘은 수치적 안정성을 보장하기 위해 안정화된 지연 가이드 업데이트(delayed guidance update)를 포함한 확산 사후 샘플링(Diffusion Posterior Sampling, DPS)을 채택하였다. 벤치마크에는 100개의 고정된 분포 내(in-distribution, ID) 케이스와 100개의 고정된 분포 내 가족 간 분포 외(out-of-distribution, OOD) 테스트 케이스가 포함되었다. 성능은 결정론적 SimPEG L2 베이스라인과 함께 여러 지표(RMSE, 상관계수, 구조 유사 지수(SSIM), 조밀한 이상체의 경우 IoU, 그리고 불확실성 측면의 경험적 구간 피복률)를 통해 평가되었다.

주요 기여
본 논문은 네 가지 주요 기여를 한다:

1. 제어된 계층 구조: 고정된 무조건부 및 조건부 확산 사전 정보를 사용하여 지질학적 정보 상태를 체계적으로 구현하였다.
2. 공통 벤치마크: 알려진 개념적 가족 내에서의 일반화 능력을 평가하기 위해 ID 및 OOD 테스트 케이스를 모두 활용한 표준화된 중력 역산 벤치마크를 구축하였다.
3. 시나리오 앙상블 베이시라인: 해결되지 않은 지질학적 해석에 대해 동일 가중치 앙상블 접근법을 사용하여, 베이지안 모델 평균이 아닌 민감도 분석으로서의 역할을 수행하였다.
4. 지표 불일치 분석: 픽셀 단위 RMSE와 구조 인식 지표(SSIM, IoU)가 사후 추정치를 서로 다르게 순위 매길 수 있음을 보여주는 평가를 통해, 오차 최소화와 구조 보존 사이의 트레이드오프를 강조하였다.

결과

• 재구성 오차: 모든 학습된 사전 정보 설정은 ID 및 OOD 분할 모두에서 매끄러운 SimPEG L2 베이스라인에 비해 평균 RMSE를 감소시켰다. 동일 가중치 시나리오 앙상블이 ID 평균 RMSE(0.333)가 가장 낮았고, 알려진 사전 정보(0.343), 알려지지 않은 사전 정보(0.350)가 그 뒤를 이었다.
• 구조적 회복: 올바른 가족 조건화(Known Prior)는 가장 강력한 구조적 회복을 제공하여 가장 높은 평균 SSIM 및 이상체 중첩(IoU)을 나타냈다. 알려진 사전 정보가 알려지지 않은 사전 정보보다 53%의 사례에서 RMSE를 낮추었으나, 평균 차이는 통계적으로 유의미하지 않았다. 그러나 구조적 충실도(SSIM)의 개선은 명확했다.
• 트레이드오프: 시나리오 앙상블은 호환되지 않는 가족 조건 재구성을 평균함으로써 더 낮은 총체적 RMSE를 달却했다. 그러나 이러한 평균화는 추정치를 더 매끄럽게 만들어 접촉면과 조밀한 물체를 약화시켰으며, 결과적으로 알려진 사전 정보에 비해 낮은 SSIM 및 IoU 점수를 초래했다.
• 불확실성 정량화: 시나리오 앙상블은 가장 넓은 경험적 구간과 가장 높은 피복률을 생성했으나, 모든 방법이 명목 수준에 비해 과소 분산(under-dispersed)되었다(특히 OOD 케이스에서). 앙상블 확산(spread)은 절대적 재구성 오차와 양의 상관관계를 보였으며, 이는 이것이 교정된 베이지안 불확실성이라기보다는 재구성 난이도의 유용한 상대적 지표로서 기능함을 시사한다.
• 형태학적 이질성: 가족 레이블의 가치는 형태에 따라 달랐다. 예를 들어, 알려진 정보는 조밀한 대상(다이크, 관입체)을 회복하는 데 도움이 되었으나, 모든 가족에 대해 균일하게 성능을 향상시키지는 않았다(예: OOD 수평 층은 때때로 알려지지 않은 사전 정보에 의해 더 잘 회복되었다).

의의 및 주장
본 논문은 지질학적 사전 정보가 단일하게 우월한 방법을 만드는 것이 아니라, 회복된 솔루션의 성격을 근본적으로 변화시킨다고 주장한다.

• 명시적 규정: 연구는 확률적 중력 역산을 평가할 때 지질학적 사전 정보의 규정이 명시적으로 다루어져야 한다고 주장하며, RMSE에 의해 선호되는 역산이 구조 인식 지표에 의해 선호되는 역산과 다를 수 있음을 강조한다.
• 해석적 결과: 독립적인 증거가 하나의 지질 가족을 강력하게 지지할 때, 가족 조건부 추론은 기대되는 형태를 보존한다. 여러 해석이 가능할 때, 시나리오 앙상블은 투명한 민감도 베이스라인을 제공하지만, 풀링된 평균은 지질학적으로 타당한 실현체(realization)와 닮지 않을 수 있다.
• 한계점: 저자는 본 벤치마크가 합성 데이터이며, 2차원적이고, 이산적인 단일 가족 지질에 국한되어 있다는 점을 언급하며 신중한 범위를 유지한다. 따라서 혼합 지질, 미지의 개념, 또는 3D 현장 데이터에 대한 결론을 직접적으로 확장 적용할 수는 없다. OOD 결과는 알려진 지질 가족 내에서의 파라미터 외삽을 테스트하는 것이지, 미지의 지질 개념에 대한 일반화를 테스트하는 것이 아니다.

결론적으로, 본 연구는 학습된 사전 정보가 일반적으로 매끄러운 결정론적 베이스라인보다 우수한 성능을 보이지만, 사전 정보의 선택(알려지지 않음 vs 알려짐 vs 불확정적임)이 셀 단위 오차 최소화와 구조적 선명도 보존 사이의 트레이드오프를 결정한다는 것을 보여준다.