DualTCN: 물리 제약 기반 시간 영역 MCSEM 역전용Temporal Convolutional Network

DualTCN은 시간 영역 해양 제어원 elektromagnetic (MCSEM) 전이 데이터를 역분해하는 첫 번째 딥러닝 프레임워크입니다. 기존의 지하 이산화 방법에서 벗어나, DualTCN은 지구 모델의 네 가지 파라미터인 $σ_1$, $σ_2$, $d_1$, $d_2$를 회귀하고, 미분 가능한 soft-step decoder 를 사용하여 전도도 - 깊이 프로파일을 재구성합니다. 최적화된 아키텍처 (379K 파라미터) 는 Temporal Convolutional Network (TCN) 인코더와 후기 시간 분지 (late-time branch), 그리고 보조 해저 깊이 헤드를 포함하고 있습니다. 이 설계는 베이스라인 모델 대비 25.3% 의 손실 감소, 높은 예측 정확도 ($R^2 = 0.898$ for $σ_2$) 와 A100 GPU 에서 샘플당 3.5~ms 의 역전 속도를 달성했습니다. DualTCN 은 커리큘럼 기반 진폭 증강 (curriculum-based amplitude augmentation) 을 통해 노이즈에 대한 높은 견고성을 보이며, ±2% 랜덤 진폭 오차 조건에서 평균 $ar{R}^2$ 0.858 을 유지합니다 (증강 전 $0.363$). DualTCN 은 해수층/저항성층/기암층으로 구성된 3 층 확장에도 효과적으로 일반화하며, 기암층 전도도를 정확하게 분해 ($R^2 \approx 0.88$) 하지만 얇은 층의 분해는 물리적 한계 ($R^2 \approx 0.23$) 입니다. 비교 벤치마크에서 DualTCN 은 Levenberg-Marquardt 와 L-BFGS-B 같은 전통적인 로컬 최적화 방법보다 크게 우위를 점하여, 평균 $ar{R}^2 = 0.877$ 을 달성하며 (비교 대상: 0.129-0.439), 최대 21,000 배 낮은 계산 비용을 유지합니다. 최종적으로, DualTCN 은 Monte Carlo (MC) Dropout 을 통해 불확실성 정량화를 포함하고 있습니다. $σ_1$ 에는 잘 보정됨 (PICP90 = 0.944) 하지만 짧은 오프셋 (200m) 에서의 신호 한계로 인해 $d_2$ 에서는 PICP90 = 0.572 와 같은 불충분한 커버리지에 직면하며, 이는 후처리 온도 스케일링 또는 split conformal prediction 을 통해 완화될 수 있습니다.