[논문 리뷰] Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework

Ruihua Chen, Yisi Luo외 2명|arXiv (Cornell University)|2026. 03. 23.

Seismic Imaging and Inversion Techniques인용 수 0

한 줄 요약

종파 파동 기반 신경 텐전트 커널(NTK) 프레임워크를 개발하여 연속 표현 FWI(CR-FWI)를 분석하고, 견고성과 고주파 수렴 사이의 균형을 맞추는 새로운 CR-FWI 방법(LR-FWI, MPE-FWI, IG-FWI)을 도입하며 표준 지구물리 모델에서 검증한다.

ABSTRACT

Full-waveform inversion (FWI) estimates physical parameters in the wave equation from limited measurements and has been widely applied in geophysical exploration, medical imaging, and non-destructive testing. Conventional FWI methods are limited by their notorious sensitivity to the accuracy of the initial models. Recent progress in continuous representation FWI (CR-FWI) demonstrates that representing parameter models with a coordinate-based neural network, such as implicit neural representation (INR), can mitigate the dependence on initial models. However, its underlying mechanism remains unclear, and INR-based FWI shows slower high-frequency convergence. In this work, we investigate the general CR-FWI framework and develop a unified theoretical understanding by extending the neural tangent kernel (NTK) for FWI to establish a wave-based NTK framework. Unlike standard NTK, our analysis reveals that wave-based NTK is not constant, both at initialization and during training, due to the inherent nonlinearity of FWI. We further show that the eigenvalue decay behavior of the wave-based NTK can explain why CR-FWI alleviates the dependency on initial models and shows slower high-frequency convergence. Building on these insights, we propose several CR-FWI methods with tailored eigenvalue decay properties for FWI, including a novel hybrid representation combining INR and multi-resolution grid (termed IG-FWI) that achieves a more balanced trade-off between robustness and high-frequency convergence rate. Applications in geophysical exploration on Marmousi, 2D SEG/EAGE Salt and Overthrust, 2004 BP model, and the more realistic 2014 Chevron models show the superior performance of our proposed methods compared to conventional FWI and existing INR-based FWI methods.

연구 동기 및 목표

• 파동 기반 NTK 프레임워크를 사용하여 기존 FWI와 CR-FWI를 위한 통합 이론을 제시하고 정형화한다.
• 학습 과정에서 파동 기반 NTK가 어떻게 진화하는지와 고유값 스펙트럼이 견고성과 수렴을 어떻게 지배하는지 특징화한다.
• 견고성과 고주파 해상도 간의 트레이드오프를 위해 맞춤형 고유값 감소를 갖는 CR-FWI 방법들(LR-FWI, MPE-FWI, IG-FWI)을 제안한다.
• 제안된 방법들을 도전적인 지구물리 모델들(Marmousi, SEG/EAGE Salt and Overthrust, 2004 BP, Chevron)에서 시연하고 기준선과 비교한다.
• CR-FWI가 초기 모델 의존성을 감소시키는 이유를 설명하는 이론적 통찰과 실증적 검증을 제공하고, 동시에 고주파 수렴이 느려질 수 있음을 보여준다.

제안 방법

• 전통적인 FWI용 파동 커널(제안 2.1)과 CR-FWI용 파동 기반 NTK(제안 3.1)를 도출한다.
• FWI 비선형성으로 초기화 시점과 학습 중에 파동 기반 NTK가 비결정적임을 보인다(정리 4.1).
• CR-FWI가 순수한 FWI보다 파동 기반 NTK의 고유값 감소가 더 빨라 향상된 견고성과 더 느린 고주파 수렴을 설명한다(정리 4.2).
• NTK 고유값 스펙트럼을 조정하고 수렴 특성을 개선하기 위해 LR-FWI와 MPE-FWI를 도입한다(정리 5.1).
• 견고성과 고주파 수렴의 균형을 맞추기 위한 하이브리드 INR + 멀티그라이드 인코딩 방법인 IG-FWI를 제안한다(정리 5.2).
• 속도 모델을 좌표 기반 네트워크, 저랭크 텐서 인자, 멀티그라이드 해시 인코딩으로 표현하고, 그들의 NTK 스펙트럼을 분석한다(방정식 5–14).

실험 결과

연구 질문

• RQ1 전통적인 FWI와 CR-FWI 간의 견고성-수렴 차이를 설명하는 통합 이론적 프레임워크가 있을까?
• RQ2 학습 중에 파동 기반 NTK가 어떻게 진화하고 그 고유값 스펙트럼이 수렴 속도에 대해 무엇을 시사하는가?
• RQ3 FWI에서 견고성과 고주파 수렴의 균형을 맞추는 연속 표현을 설계할 수 있는가?
• RQ4 통합 표현(예: INR과 멀티그라이드)을 사용한 방법이 기존 INR 기반 FWI보다 견고성과 수렴 면에서 우수한가?
• RQ5 제안된 방법들(LR-FWI, MPE-FWI, IG-FWI)이 도전적인 데이터 상황에서 표준 벤치마크에서 우수한 성능을 보이는가?

주요 결과

• 파동 기반 NTK는 FWI 비선형성으로 인해 초기화 시점과 학습 중에 동적이며 비결정적이다.
• CR-FWI는 전통적인 FWI보다 파동 기반 NTK의 고유값 감소가 더 빨라 향상된 견고성과 느린 고주파 수렴을 설명한다.
• INR 기반 FWI는 저주파 수렴을 가속하지만 스펙트럴 바이어스로 고주파에서 성능이 떨어질 수 있다.
• MPE-FWI는 고주파 성분에 대한 스펙트럴 컨디셔닝과 수렴 속도를 향상시키나 견고성의 트레이드오프가 있다.
• IG-FWI는 INR과 멀티그라이드 인코딩의 결합으로 균형 잡힌 견고성과 수렴 트레이드오프를 달성하고 중간 수준의 고유값 감소를 보인다.
• Marmousi, SEG/EAGE Salt and Overthrust, 2004 BP, Chevron 모델에 대한 광범위한 실험은 데이터 이상 상황에서 제안된 방법들이 기준선보다 우수한 성능을 보임을 보여준다.