지진퍼포머: 실시간 현지 지진에서 일반적이고 효율적인 지진파 인식을 위한 새로운 기계학습 접근법

다수의 위치에서 독립적인 기록소를 이용하여 지진 지반운동을 기록할 때, 이러한 기록소들에 도달하는 지진파의 동일한 부분을 인식하는 것이 필요하다. 이 문제는 지진학에서 '지진 위상 추출(seismic phase picking)'으로 알려져 있다. 인간 수준의 정확도로 지진 위상을 자동으로 추출하는 것은 여전히 도전적인 과제이다. 이 문제를 해결하면, 어떤 지역 네트워크에서도 실시간으로 일상적인 처리를 자동화할 수 있게 된다. 본 연구에서는 지역 지진에서 발생하는 지진 위상을 분류하기 위한 새로운 머신러닝 접근법을 개발하였다. 개발된 모델은 스펙트로그램을 기반으로 하며, 별도의 컨볼루션 블록 없이 자기 주의(self-attention) 메커니즘을 갖춘 트랜스포머 아키텍처를 사용한다. 이 모델은 다양한 지역 네트워크에 일반적으로 적용 가능하며, 학습 파라미터 수가 단지 57,000개에 불과하다. 일반화 성능을 평가하기 위해, 서로 다른 두 지역에서 다양한 지진계기를 사용해 수집한 지역 지진 데이터를 포함하는 두 개의 새로운 데이터셋을 개발하였다. 이 데이터셋은 모든 모델의 학습 과정에 포함되지 않았으며, 일반화 능력을 평가하는 데 사용되었다. 사전 훈련된 가중치를 기반으로 비교했을 때, 이 새로운 모델은 관련 기존 연구의 베이스라인 모델들과 비교해 가장 우수한 분류 성능과 계산 성능을 보였다. 모델 코드는 온라인으로 공개되어 있으며, 그래픽 처리 장치(GPU) 없이도 일반적인 지진 장비에서 일상적인 실시간 처리에 바로 활용 가능하다.