딥러닝 기술의 많은 유망한 응용 분야 중 하나는 추적 보간(trace interpolation)을 포함한 지진 자료 처리 분야이다. 합성곱 신경망(CNN)과 순환 신경망(RNN)은 여러 설정에서 잘 작동하는 딥러닝의 대표적인 두 가지 형태이다. 그러나 입력 추적 수가 상대적으로 적기 때문에, 추적 보간은 CNN 기반 네트워크보다 RNN 기반 네트워크를 사용하는 편이 더 유연하다. 또한 RNN은 여러 가지 서로 다른 학습 및 추론 전략을 수립할 수 있게 해준다. 여기에서는 along-streamer(즉, inline; IL) 구간으로 학습된 네트워크를 기존의 예인-스트리머(towed-streamer) 시스템에서 cross-streamer(즉, crossline; XL) 파동장 재구성에 사용할 수 있음을 보인다. XL 구간은 수중청음기(hydrophone) 구간보다 4배 더 크므로, 이를 동일화하려면 XL 방향의 각 관측 사이에 세 개의 추적을 예측해야 한다. 관측의 중점(midpoint)에 위치한 추적을 예측하는 네트워크와, 관측의 중점에 있지 않은 추적을 예측하는 네트워크를 모두 학습하였다. 훈련 데이터에는 XL 구간에 나타나지만 IL 구간에는 포함되지 않는 특징을 식별하기 위해, 선형 이동-시간 보정(linear-moveout corrected)된 IL 구간을 포함하였다. 합성 예제에서 알고리즘을 시험한 결과, 추적 보간에 주로 사용되는 모델 제약 최소 가중 노름 보간(model-constrained minimum weighted norm interpolation; MWNI) 방법보다 더 나은 성능을 보였다.

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