A Review of Deep-learning-based Seismic Data Denoising and Its Promising Paradigm Shift to Foundation Models

지표 아래에는 암석층, 단층, 그리고 숨겨진 자원들이 얽힌 복잡한 역사가 존재하지만, 그 역사를 듣는 것은 마치 허리케인 속에서 속삭임을 들으려는 것과 같습니다. 지구물리학자들은 음파를 사용하여 지하 구조를 매핑하며, 진동을 아래로 보내고 그것이 어떻게 반사되어 돌아오는지 기록합니다. 그러나 이 파동의 여정은 결코 깨끗하지 않습니다. 파동이 이동하는 동안, 먼 곳의 교통 소음, 바람의 진동, 전기 장비의 불규칙한 스파이크, 그리고 지면 자체의 자연스러운 롤링 에너지와 같은 혼란스러운 간섭의 공격을 받습니다. 이러한 배경 소음은 지하의 실제 형태를 밝혀주는 희미하고 가치 있는 신호를 덮어버립니다. 수십 년 동안 과학자들은 특정 유형의 간섭에 맞게 설계된 수학적 규칙을 사용하여 이 소음을 걸러내려 노력해 왔지만, 지구는 너무나 다양하여 하나의 규칙이 모든 곳에서 작동할 수 없습니다. 소음이 변하면 기존의 필터들은 종종 실패하며, 때로는 보호해야 할 바로 그 신호까지 제거해 버리기도 합니다.

길림대학교와 동북전기공업대학교의 연구진은 매번 특정 소음 유형에 맞는 새로운 도구를 만드는 방식에서 벗어나, 하나의 고도로 적응 가능한 시스템을 만드는 방향으로 이 문제를 해결할 새로운 방법을 제 제안했습니다. 그들은 컴퓨터가 언어를 이해하거나 이미지를 인식하는 방식에서 빌려온 개념인 '파운데이션 모델(foundation model)'이라는 새로운 접근 방식을 개발했습니다. 컴퓨터에게 단 한 종류의 소음만을 인식하도록 가르치는 대신, 그들은 컴퓨터에게 깨끗한 지진 신호의 근본적인 언어를 가르쳤습니다. 이 시스템에 방대한 양의 깨끗한 데이터를 먼저 노출시킴으로써, 모델은 지진파가 자연적으로 어떻게 행동하는지에 대한 본질적인 패턴을 학습했습니다. 모델이 지구의 '목소리'를 이해하게 되자, 연구진은 이 모델이 아주 적은 추가 지침만으로도 특정 유형의 소음을 빠르게 무시할 수 있음을 보여주었습니다. 'SeisDeFM'이라 명명된 이 시스템을 중심으로 한 그들의 연구는, 이 방법이 불규칙하고 외부적이며 무작위적인 소음을 제거하면서도 전통적인 방식이 흔히 손상시키곤 하는 섬세하고 깊은 반사파를 보존할 수 있음을 입증했습니다.

이 새로운 방법의 핵심은 인간이 기술을 배우는 과정을 모방한 두 단계의 학습 과정에 있습니다. 첫째, 시스템은 대규모 사전 학습(pre-training) 단계를 거칩니다. 이는 학생이 특정한 에세이를 쓰라는 요청을 받기도 전에, 언어의 구조, 문장의 흐름, 이야기의 논리를 이해하기 위해 도서관의 모든 책을 읽으며 수년을 보내는 것과 같습니다. 이 단계에서 SeisDeFM 모델은 수천 개의 깨끗한 지진 기록을 연구하며, 실제 지질 사건의 연속적이고 일관된 패턴을 인식하는 법을 배웠습니다. 모델은 매끄럽고 논리적인 반사의 흐름과 혼란스럽고 끊어진 소음의 차이를 구별하는 법을 배웠습니다. 이 단계는 자기 지도 학습(self-supervised) 방식으로 진행되었는데, 이는 모델이 불완전한 데이터를 재구성하려고 시도함으로써 스스로를 가르치게 하여, 지진 기록의 서로 다른 부분들 사이의 깊은 연결성을 이해하도록 강제하는 방식이었습니다.

모델이 지진파의 일반적인 언어를 마스터한 후, 두 번째 단계인 적응(adaptation) 단계로 넘어갔습니다. 이것은 시스템이 구체적인 문제를 다루는 법을 배우는 단계입니다. 과거에는 지구물리학자가 지표면의 롤링 웨이브와 같은 특정 유형의 소음을 제거하고 싶다면, 정확히 그 소음의 사례 수천 개를 사용하여 새로운 모델을 처음부터 훈련시켜야 했습니다. 이는 느린 작업이었고 방대한 양의 라벨링된 데이터가 필요했습니다. SeisDeFM의 경우, 연구진은 아주 적은 양의 데이터만을 필요로 했습니다. 그들은 사전 훈련된 모델을 가져와서, 노이즈가 섞인 데이터와 깨끗한 버전을 짝지은 수천 개의 사례를 아주 조금만 보여주었습니다. 모델은 이미 신호의 기저 구조를 이해하고 있었기에, 새로운 소음을 식별하고 빼내는 법을 매우 빠르게 배울 수 있었습니다. 테스트 결과, 모델은 전통적인 방식에 필요한 라벨링된 데이터의 10분의 1만을 사용하고도 우수한 결과를 달encing했으며, 이는 신호에 대한 깊은 이해가 훨씬 더 빠르고 효율적인 학습을 가능하게 한다는 것을 증명했습니다.

연구진은 이 시스템을 실제 현장 데이터에서 발견되는 네 가지 뚜렷하고 까다로운 유형의 소음에 대해 테스트했습니다. 첫 번째는 기록 오류나 바람 등으로 인해 발생하는 갑작스럽고 높은 진폭의 스파이크 형태인 불규칙한 소음(erratic noise)이었습니다. 전통적인 방식은 여기서 어려움을 겪으며, 스파이크를 남겨두거나 근처에 있는 약한 신호를 실수로 제거하곤 합니다. 그러나 새 모델은 미세하고 깊은 반사파를 온전히 유지하면서도 이러한 스파이크를 성공적으로 제거했습니다. 두 번째 테스트는 차량 이동과 같은 인간 활동으로부터 오는 외부 소음(external noise)을 포함했으며, 이는 데이터를 번지게 만들 수 있습니다. 이 역시 파운데이션 모델은 지질 층의 연속성을 보존하면서 이전 방식보다 더 철저하게 데이터를 정화했습니다. 세 번째 도전은 지면으로부터의 강력한 저주파 소음인 표면파(surface waves)였으며, 이는 지면의 첫 반사파를 가리는 경우가 많습니다. 모델은 하부 암석의 날카로운 세부 사항을 흐릿하게 만들지 않으면서도 이 파동을 완전히 억제했습니다. 마지막으로, 광범위한 주파수 대역을 덮는 정적 형태의 간섭인 무작위 소음(random noise)을 대상으로 테스트했습니다. 모델은 지구의 응답에 대한 주파수 콘텐츠가 정확하게 유지되도록 하면서 이 소음을 제거했습니다.

이 연구의 핵심적인 발견은 모델의 성공이 데이터를 바라보는 두 가지 서로 다른 관점을 결합하는 데 달려 있다는 점입니다. 연구진은 이 시스템을 이중 구조(dual architecture)로 구축했는데, 하나는 작고 국부적인 세부 사항을 면밀히 살피는 부분이고, 다른 하나는 전체 기록 전체를 조망하며 큰 그림을 보는 부분입니다. 국부적인 부분은 소음 스파이크의 구체적인 형태를 포착하는 데 탁ên하며, 전역적인 부분은 지진 사건이 시간과 공간에 걸쳐 어떻게 뻗어 나가는지를 이해합니다. 이러한 관점들을 통합함으로써, 모델은 약하고 연속적인 신호를 소음으로 착각하는 흔한 실수를 피합니다. 또한 연구는 모델이 지진파의 일반적인 언어를 배우는 초기 단계에서는 상당한 컴퓨팅 파워를 요구하지만, 이를 새로운 작업에 적용하는 실제 과정은 매우 빠르고 효율적이라는 것을 보여주었습니다. 새로운 위치나 소음 유형에 맞춰 처음부터 다시 훈련할 필요 없이, 기존의 지식을 단순히 적응시키기만 하면 됩니다.

이 결과는 향후 지진 데이터가 처리되는 방식의 변화를 시사합니다. 매번 새로운 소음 문제에 대해 특화된 도구를 만드는 대신, 업계는 지구의 근본적인 물리학을 학습한 견고한 단일 파운데이션 모델에 의존할 수 있습니다. 이러한 접근 방식은 시간과 계산 자원을 절약할 뿐만 아니라, 귀중한 데이터를 실수로 삭제할 위험을 줄임으로써 최종 이미지의 품질을 높입니다. 연구진은 기계에게 깨끗한 신호의 '진실'을 먼저 가르치면, 소음이라는 '거짓'을 식별하고 제거하는 데 훨씬 더 뛰어나진다는 것을 입증했습니다. 이 방법은 현대 탐사에서 수집되는 방대한 양의 데이터를 처리하는 데 있어 유망한 경로를 제시하며, 혼란스럽고 노이즈가 섞인 기록을 명확하고 고충실도의 지하 지도로 바꾸어 놓을 것입니다.