신경물리 역변환기(NPI): 잔여 학습을 이용한 자기전도율 역산 결합 앙상블 조건화 모듈형 프레임워크

우리는 지구물리학적 역산을 위한 모듈식, 불확실성 인식 프레임워크인 Neuro-Physical Inverter (NPI)를 소개합니다. NPI는 앙상블 기반의 조건화와 제약된 잔여 학습을 결합한 방식으로, 통제된 테스트베드로서 1차원 자기전도율(MT) 설정에서 시연되었습니다. 이 프레임워크는 두 단계로 작동합니다. 첫 번째 단계에서는 Ensemble-Conditional Gaussian Process (EnsCGP)가 관측된 응답에 기반하여 사전 앙상블의 비저항 모델을 조건화하고, 물리적으로 허용 가능한 참조 앙상블을 생성합니다. 다음으로 잔여 학습 신경망이 이 참조 값에 대한 목표 교정치를 예측하며, 이는 합성 데이터를 통해 훈련되고 물리학 결합 목적 함수를 통해 현장 적용을 위해 스테이션별로 미세 조정됩니다. 앙상블이 두 단계 모두에서 조건화, 정제 및 전파되기 때문에, 모든 추정치는 연관된 앙상블 분산을 가집니다. 합성 실험 결과에 따르면 NPI는 앙상블의 안정성을 저해하지 않으면서 체계적으로 앙상블 평균 오차를 감소시킵니다. Gabbs Valley 지열 지역(미국 네바다)의 광대역 MT 데이터에 적용했을 때, NPI는 중주기 대역에서 스테이션 간 평균 불일치도를 낮추는 동시에 비교 가능한 앙상블 분산을 유지합니다. 전파된 앙상블은 가정된 모델 클래스 내 제약 조건의 운영적 측정 기준이 되는 불확실성 계수를 산출합니다. 두 단계 모두 공식화 측면에서 차원 독립적이며, 여기서 확립된 설계 원칙들은 더 높은 차원의 매개변수화로 확장할 수 있도록 의도되었습니다.