인공지능학과 박사과정생, 물리정보와 생성형 AI 결합해 자연·인공 지진 판별 성능 높였다

지진 규모·진원 깊이 정보를 학습에 반영한 ‘Infer-GANomaly’ 개발

자연 지진 데이터만으로 학습하면서도 기존 AI 모델 대비 우수한 판별 성능 달성

경북대학교 인공지능학과 이현욱 박사과정생(지도교수 강재모)이 지진파 신호와 지진의 물리적 정보를 생성형 인공지능에 함께 학습시켜 자연 지진과 인공적으로 발생한 지진 이벤트를 효과적으로 구분하는 새로운 기술을 개발했다.

이번 연구 성과는 영향력 지수(IF) 4.8, JCR 분야 상위 10%에 해당하는 국제학술지 IEEE Geoscience and Remote Sensing Letters에 게재 확정됐다. 논문 제목은 「Infer-GANomaly: A Generative AI Framework for Seismic Event Discrimination via Physics-Informed Hybrid Attention」이다.

자연 지진과 인공 지진 이벤트를 구별하는 AI 기술

지진 이벤트 판별은 관측된 지진파가 자연적으로 발생한 지진인지, 폭발이나 채석·광산 작업, 핵실험 등 인공적인 원인으로 발생한 것인지를 구분하는 기술이다. 이는 지질재해 감시와 지진 조기경보 체계를 구축하기 위한 핵심 선행 기술로 평가된다.

기존에는 P파와 S파의 진폭 비율, 특정 주파수 대역의 에너지 비율, 지진 규모 및 진원 깊이 등의 경험적 기준을 활용해 자연 지진과 인공 이벤트를 구분했다. 그러나 이러한 방법은 지역별 지질 환경에 따라 판별 기준을 다시 설정해야 하고, 인공 지진원의 종류가 다양해질수록 적용이 어려워지는 한계가 있었다.

지도학습 기반의 딥러닝 기술도 연구되고 있지만, 높은 성능을 확보하기 위해서는 자연 지진뿐 아니라 폭발이나 채석 발파 등 다양한 인공 이벤트에 대한 충분한 정답 데이터가 필요하다. 실제 환경에서는 인공 이벤트의 종류와 발생 조건이 다양하고 관련 데이터 확보가 쉽지 않아, 기존 지도학습 방식의 활용에는 제약이 있었다.

자연 지진 데이터만 학습하는 반지도 생성형 AI 개발

연구진은 이러한 데이터 부족 문제를 해결하기 위해 자연 지진과 인공 지진의 구분을 일반적인 분류 문제가 아닌 이상 탐지 문제로 새롭게 정의했다.

개발된 Infer-GANomaly는 자연 지진을 정상 데이터로, 인공 지진 이벤트를 이상 데이터로 간주한다. 학습 단계에서는 자연 지진으로 확인된 데이터만 사용해 정상적인 지진파의 특성을 학습하고, 실제 판별 단계에서 학습된 자연 지진 특성과 차이가 큰 신호를 인공 이벤트로 탐지한다.

이 방식은 다양한 인공 이벤트 데이터를 미리 확보하고 각각에 정답을 부여하지 않아도 된다는 장점이 있다. 특히 학습 과정에서 사용되지 않은 유형의 인공 이벤트에 대해서도 이상 여부를 판별할 수 있어, 기존 지도학습 기반 기술보다 확장성과 일반화 가능성이 높다.

지진 규모와 진원 깊이를 AI의 판단 근거로 활용

Infer-GANomaly의 핵심은 지진파 신호뿐 아니라 지진 규모와 진원 깊이 등 물리정보를 생성형 AI의 특징 학습 과정에 직접 반영했다는 점이다.

연구진은 대표적인 생성적 적대 신경망 기반 이상 탐지 모델인 GANomaly를 지진파 분석에 적합하도록 개선했다. 먼저 기존 영상 처리용 2차원 합성곱 연산을 시계열 지진파 처리에 적합한 1차원 합성곱 구조로 변경했다. 이어 지진파를 고속 푸리에 변환해 얻은 주파수 스펙트럼을 AI 모델의 입력으로 사용함으로써 자연 지진과 인공 이벤트 사이의 주파수 특성 차이를 효과적으로 분석하도록 했다.

여기에 연구진이 새롭게 설계한 물리정보 기반 하이브리드 어텐션 모듈을 적용했다. 이 모듈은 다중 헤드 자기어텐션과 물리정보 기반 선형 변조 기법을 결합한 것으로, 지진파 스펙트럼의 전체적인 연관성을 학습하면서 지진 규모와 진원 깊이 정보를 신경망 내부 특징에 반영한다.

논문 3쪽의 모델 구조도에서는 지진파가 주파수 스펙트럼으로 변환된 뒤 생성기와 판별기를 거치는 전체 과정과, 물리정보가 하이브리드 어텐션 모듈에 주입돼 잠재 특징을 조절하는 과정이 제시됐다. 연구진은 물리정보를 최종 판정 규칙으로 단순 적용하는 대신, AI가 지진파 특징을 학습하는 과정의 조건 정보로 활용하도록 설계했다.

기존 12개 판별 기술보다 높은 평균 성능 기록

연구진은 실제 지진 신호로 구성된 공개 데이터셋인 STEAD(Stanford Earthquake Dataset)를 활용해 기술의 성능을 검증했다. 2014년부터 2018년까지의 데이터를 연도별로 분리해 평가했으며, 모든 비교 모델은 자연 지진 데이터만을 사용해 학습하도록 동일한 조건을 적용했다.

실험 결과, Infer-GANomaly는 수신자 조작 특성 곡선 아래 면적인 AUC 기준으로 5개 연도 평균 0.861을 기록했다. 이는 비교 대상 중 두 번째로 높은 평균 성능을 보인 물리정보 기반 순환신경망 모델 PI-CRNN의 0.774보다 8.7%포인트 높은 결과다.

Infer-GANomaly는 2014년, 2015년, 2016년 및 2018년 데이터에서 모든 비교 모델 가운데 가장 높은 AUC를 기록했으며, 2017년에도 두 번째로 높은 성능을 달성했다. 전통적인 스펙트럼 비율 및 STA/LTA 방식뿐 아니라 EQTransformer, CRED, Deep SVDD, GANomaly, AnoGAN 등 다양한 딥러닝·생성형 AI 기반 방법보다 전반적으로 우수한 판별 성능을 보였다.

또한 모델 규모는 약 306만 개의 학습 파라미터와 0.042G MACs 수준으로, 비교 대상 모델의 연산 복잡도 범위를 유지하면서도 높은 판별 성능을 확보했다.

물리 법칙과 데이터 기반 AI를 결합한 지진 분석 기술

추가 실험에서는 물리정보 기반 하이브리드 어텐션 모듈을 생성기의 첫 번째 인코더 직후에 배치하고, 물리정보 기반 선형 변조 기법을 함께 적용했을 때 가장 우수한 성능이 나타났다. 이는 지진 규모와 진원 깊이 같은 물리정보를 특징 추출 초기 단계부터 반영하는 것이 자연 지진과 인공 이벤트를 구별하는 데 효과적임을 보여준다.

이번 연구는 지진파 데이터에만 의존하는 기존 인공지능 모델에서 한 걸음 더 나아가, 지진학적 물리정보를 생성형 AI의 학습 구조와 손실함수에 체계적으로 결합했다는 점에서 의미가 있다. 특히 확보하기 어려운 인공 이벤트 데이터를 학습에 요구하지 않으면서도 높은 판별 성능을 달성해, 지질재해 감시와 인공 지진원 분석을 위한 AI 기술의 실용화 가능성을 높였다.

향후 해당 기술은 자연 지진과 채석·광산 발파를 구분하는 지진 관측 시스템, 인공 폭발 및 핵실험 감시, 지질재해 조기경보 지원 등 다양한 분야에 활용될 수 있을 것으로 기대된다.

※ 강재모 교수연구실(DeLTA LAB) 홈페이지: https://sites.google.com/view/jmkang (연구원, 대학원생, 학부연구생 상시모집)