심층학습(DL) 기법은 인간 해석자 판단의 주관성을 도입하지 않고도 지구물리학적 지진상(facies) 분류 문제를 해결하기 위해 제안되어 왔다. 그러나 이러한 DL 알고리즘은 본질적으로 “블랙박스(black box)”이며, 그 기반이 되는 내용은 거의 해석이 불가능하다. 따라서 품질 관리 과정에서 주관성이 자주 개입되며, DL 모델에 대한 어떤 해석이든 중요한 정보의 원천이 될 수 있다. 이러한 수준의 해석 가능성을 제공하면서 더 높은 수준의 인간 개입을 유지하기 위해, 설명 가능한(explainable) DL 방법의 개발과 적용이 모색되어 왔다. 지구과학 분야에서 이러한 방법의 유용성을 제시하기 위해, 본 연구에서는 지진상 분류 문제에 대해 프로토타입 기반 신경망(NN) 시제품을 활용한다. 특정 라벨의 전형적 특성을 갖도록 공동으로 학습된 “프로토타입(prototype)” 벡터는 일련의 대표 샘플을 형성한다. 이때 해석 가능한 구성 요소는 “블랙박스”를 “그레이박스(gray box)”로 전환한다. 우리는 핵심 기능 구성요소를 직접 점검함으로써 프로토타입이 NN 방법을 설명하는 데 어떻게 활용될 수 있는지 시연한다. 다음의 세 가지 방식으로 살펴보며 상당한 수준의 설명을 제시한다: 1) 프로토타입의 해당 입력–출력 쌍; 2) 특정 설명 가능 층(explainable layer)에서 생성되는 값; 3) 해석 가능한 잠재 프로토타입 층과 출력 층 사이에 위치한 특정 얕은 층(shallow layers)의 수치적 구조. 무엇보다도, 일련의 해석 결과는 지구물리학적 지식이 지진상 분류기의 실제 기능을 이해하는 데 어떻게 활용될 수 있으며, 따라서 DL의 품질 관리 과정에 어떻게 도움을 줄 수 있는지를 보여준다. 이 방법은 NN 분류기에 대한 심층적 해석이 요구되는 경우에 적용할 수 있으며, 다수의 지구과학 분류 문제에 적용 가능하다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.