인공지능(기계 학습)으로 지진 데이터에서 숨겨진 진동을 찾다- 2020년 2월 28일

인공지능과 지진 예측

#인공지능(#기계 학습, #machine learning)으로 지진 데이터에서 숨겨진 진동을 찾다.
이 방법으로 과학자들이 방대한 지하 지질 구조를 보다 정확하게 지도화하는 데 활용 할 수 있다.

 

 

인공지진파로 지각 구조 탐색의 어려움 
  지난 20세기 동안에 과학자들은 원유 매장량, 지열원, 그리고 최근에는 이산화탄소가 밀집될 가능성이 있는 저수지와 같은 자원을 식별하기 위해 지각 내 구조물을 지도화하는 방법을 개발했다. 지진에 의해 자연적으로 발생하거나 폭발물이나 수중 공기총을 통해 인공적으로 발생하는 지진파를 추적하는 방법이다.이 지진파가 지각에 튕기고 흩어지는 방식은 과학자들에게 지표면 아래에 놓여 있는 구조물의 종류에 대한 아이디어를 준 것이다.

  약 1헤르츠의 저주파에서 발생되는 좁은 범위의 지진파는 과학자들에게 넓은 거리에 걸쳐 있는 지하 구조물의 가장 명확한 그림을 제공할 수 있다. 그러나 이러한 지진파는 종종 지구의 시끄러운 지진 웅웅거림에 의해 소멸되기 때문에 현재의 감지기로 집어내기가 어렵다. 특히 저주파 파동을 발생시키기 위해서는 엄청난 양의 에너지를 펌프질해야 한다. 이러한 이유로 사람이 생성한 지진 데이터에서 저주파 지진파가 대부분 사라졌다.

  하지만, 지금은 MIT 연구원들은 이 틈을 메우기 위한 인공지능(기계 학습) 방법을 고안해냈다.

인공지능을 활용한 새로운 지각 구조 탐색 가능하게 되다.
  지구물리학 저널에 실린 논문을 참조한 과학들은 수백 개의 다른 모의 지진에 대한 #인공지능 #신경망을 훈련시킨 방법을 개발하였다. 연구자들이 새로운 모의 지진에서 생성된 고주파만 가지고 훈련된 네트워크를 제시했을 때, 신경망은 파동 전파 물리학을 모방하여 없어진 저주파수를 정확하게 추정할 수 있었다.

  이 새로운 방법은 연구자들이 지진 데이터에 숨겨져 있는 저주파 파동을 인위적으로 합성할 수 있게 해 줄 수 있는데, 이 파동을 지구의 내부 구조를 보다 정확하게 매핑하는 데 사용할 수 있다.

  MIT의 응용수학 공동저자인 로랑 데마넷 교수는 다음과 같이 말했다.

"최종 목표는 해저 전체를 지도화하는 것입니다. 예를 들어 '아이슬란드 바다 바닥의 모습을 파악하여 지열원을 탐사할 곳을 알게 되었다'고 말할 수 있는 것입니다.  

 

 

다른 주파수에 대하여 
  인공신경망은 인간 두뇌의 신경 작용을 느슨하게 본떠 만든 알고리즘 집합이다. 신경망 알고리즘은 네트워크에 공급되는 데이터의 패턴을 인식하고 이러한 데이터를 범주 또는 레이블로 클러스터링하도록 설계된다.

  신경망의 일반적인 예는 시각적 처리를 포함한다. 이 모델은 고양이, 개, 그리고 다른 물체들로 특별히 분류되는 수천 개의 이미지들 사이에서 인식되는 패턴을 바탕으로 이미지를 고양이나 개로 분류하도록 훈련한다.

  지진 데이터의 패턴을 인식하기 위해 신호 처리를 위해 신경 네트워크를 채택한 연구원들은 신경 네트워크가 지진의 충분한 예와 그 결과로 발생하는 고주파 및 저주파 지진파가 지구의 특정 구성을 통해 이동하는 방법을 제공한다면, 이 신경 네트워크는 자신들의 논문에서 "다른 주파수 성분들 사이의 숨겨진 상관관계"와 외삽법(네트워크에 지진의 부분 지진 프로파일만 주어진 경우 누락된 주파수를 찾는 기법)을 쓸 수 있어야 한다고 판단했다.

  연구원들은 시각 정보를 분석하는 데 종종 사용되는 딥러닝 신경망인 CNN으로 훈련시켰다. CNN은 일반적으로 입력 및 출력 계층과 그 사이의 복수의 숨겨진 계층으로 구성된다.

 CNN에 대하여 간략이 알아보면,

합성곱 신경망 (Convolutional Neural Network, CNN)

CNN은 필터링 기법을 인공신경망에 적용함으로써 이미지를 더욱 효과적으로 처리하기 위해 처음 소개되었으며, 현재 딥 러닝에서 이용되고 있는 형태의 CNN이 제안되었다. CNN의 기본 개념은 "행렬로 표현된 필터의 각 요소가 데이터 처리에 적합하도록 자동으로 학습되게 하자"는 것이다.

예를 들어, 이미지를 분류 알고리즘을 개발하고자 할 때 우리는 필터링 기법을 이용하여 분류 정확도 향상시킬 수 있을 것이다. 그러나 한 가지 문제점은 사람의 직관이나 반복적인 실험을 통해 알고리즘에 이용될 필터를 결정해야 한다는 것이다. 이러한 상황에서 CNN을 이용한다면, 알고리즘은 이미지 분류 정확도를 최대화하는 필터를 자동으로 학습할 수 있다.

 

CNN 알고리즘 구성도

 

 

마르무시 모델
이 모델은 1988년, Institut Fran ̧cais du P'etrole (IFP)에 의해 만들어졌다. 이 모델의 기하학적 구조는 쿠안자 해구(Cuanza basin)의 북 콴구엘라 해구(North Quenguela basin)를 통과하는 프로파일에 기초한다. 기하학과 속도 모델로 정확한 해양 구조의 이미지를 얻기 위해 고급 처리 기법을 필요로 하는 복잡한 지진 데이터를 생성하기 위해 만들어졌다. 
마르무시 데이터 세트는 1990년 제52차 EAEG 회의에서 지진 데이터 역전의 실제적 측면에 관한 워크숍에 사용되었다.

마르무시 모델은 가로로 158개의 지평을 가지고 있다. 일련의 정상적인 단층과 그에 따른 기울어진 블록은 모델을 중심 쪽으로 복잡하게 생성시킨다.이 모델은 약 32m의 바다 속 아래에 위치하며, 길이는 9.2km, 깊이는 3km의 정보를 처리할 수 있다.

 

마르무시 모델, 해양 지각 구조 모델

 

이와 같이 인공지능은 그 동안의 연구 방법으로 분석할 수 없는 상황을 새로운 연구 방법으로 보다 정교하게 활용되고 있어, 인공지능에 대한 기술을 더욱 빠르게 발전할 것으로 보인다.