수중음향 연구 교수 역할을 맡기는 프롬프트

아주 적절한 연구 주제입니다. 다만 핵심은 “Bellhop으로 다양한 채널을 만들었다”는 사실보다, 실제 측정에서 발생하는 변동성을 어떤 확률 모델로 표현했는가에 있습니다. 특히 방사소음 식별에서는 전파 채널보다도 소스 스펙트럼, 운용 상태, 센서 응답, 주변 소음의 불일치가 sim-to-real 갭의 주요 원인이 되는 경우가 많습니다.

1) 채널 시뮬레이션에서 자주 놓치는 부분

환경 변수를 단일 대표값으로 처리하는 문제

수온약층을 하나의 고정된 음속 프로파일로만 설정하면 모델은 특정 수심 구조에 과적합됩니다. 다음 변동을 함께 고려하는 것이 좋습니다.

• 음속 프로파일의 깊이별 변동
• 수온·염분·수압의 측정 오차
• 수온약층의 깊이, 두께, 기울기
• 계절·시간대별 프로파일 변화
• 표적 및 수신기 수심 변화
• 송수신기 간 거리와 방위각 변화

실험에서는 먼저 대표적인 몇 개의 SSP를 정의한 뒤, 각 SSP에 대해 약간의 수심 이동, 기울기, 음속 섭동을 적용하는 방식이 실용적입니다. 무작위 섭동은 물리적으로 가능한 범위에서 생성해야 하며, 독립적인 백색잡음처럼 깊이별로 완전히 무관하게 넣으면 비현실적인 채널이 될 수 있습니다.

Bellhop의 적용 범위를 과신하는 문제

Bellhop은 음선 기반의 효율적인 모델이지만 다음 상황에서는 주의가 필요합니다.

• 강한 내부파나 급격한 음속 불연속
• 복잡한 3차원 지형
• 강한 산란이 발생하는 해저·표면
• 모드 간 결합이 중요한 저주파 장거리 전파
• 매우 넓은 대역 신호
• 시간에 따라 채널이 빠르게 변하는 경우

따라서 논문에서는 “Bellhop이 해당 주파수·거리·환경 범위에서 유효하다”는 근거를 제시해야 합니다. 가능하다면 일부 조건에 대해 정상모드 모델, 포물선 방정식 모델 또는 공개 실측 전달손실 자료와 비교하여 모델의 타당성을 확인하는 것이 좋습니다.

표면 거칠기를 단순히 랜덤 반사로 처리하는 문제

표면 거칠기는 단순한 평균 반사계수 하나로 끝나지 않습니다.

• 파고 분포와 방향성
• 바람의 세기와 방향
• 표면 상관거리
• 주파수에 따른 산란 특성
• 입사각에 따른 반사 손실
• 시간에 따른 표면 변화
• 거친 표면에서 발생하는 도플러 확산

Bellhop의 기본적인 표면 경계 조건만으로 실제 해면 산란을 충분히 표현하기 어려울 수 있습니다. 따라서 표면 거칠기는 최소한 여러 표면 반사 조건을 domain randomization으로 포함하고, 필요하면 별도의 확률적 산란 모델이나 시간변화 채널 모델을 결합하는 편이 좋습니다.

해저 모델의 불확실성 누락

해저는 전파 결과에 큰 영향을 주지만 자주 고정됩니다. 다음 항목을 변화시키는 것이 필요합니다.

• 해저 수심 및 경사
• 밀도와 음속
• 감쇠계수
• 퇴적물 종류
• 반사 손실과 위상
• 층상 해저 구조

특히 소형 잠수정 모형의 방사소음처럼 저주파 성분이 중요한 경우, 해저 반사와 저주파 전달 특성이 분류 성능에 직접 영향을 줄 수 있습니다.

표적 소스 모델이 지나치게 단순한 문제

표적을 단일 점음원이나 고정된 스펙트럼으로 모델링하면 CNN이 표적 고유 특징이 아니라 시뮬레이션 방식의 흔적을 학습할 수 있습니다. 소형 잠수정 모형이라면 다음을 포함하는 것이 좋습니다.

• 회전축·모터·펌프·기어 등 주요 기계 성분
• 회전수 변화에 따른 기본 주파수와 고조파
• 운용 상태별 스펙트럼 변화
• 구조 전달음과 유체 방사음의 차이
• 협대역 톤과 광대역 성분의 비율
• 표적 속도 및 회전수 변화
• 표적 자세와 방사 방향성

가능하다면 실제 표적의 RPM, 운용 모드, 부하 조건을 측정하고 이를 조건부 소스 모델에 반영하십시오. 소스 레벨도 하나의 값이 아니라 분포로 생성해야 합니다.

수신기와 계측 체인의 누락

실측과 가장 직접적으로 다른 부분 중 하나입니다.

• 하이드로폰 주파수 응답
• 프리앰프 및 DAQ의 이득
• 양자화 잡음
• 센서 자체 잡음
• 채널 간 위상·이득 불일치
• 샘플링 주파수와 anti-aliasing 필터
• 수신기 설치 구조물의 영향
• 시간 동기 오차
• AGC 또는 후처리의 유무

시뮬레이션 신호를 바로 CNN 입력으로 넣지 말고, 실측 계측 체인의 전달함수를 통과시킨 뒤 동일한 전처리를 적용하는 것이 좋습니다.

도플러와 시간변화 채널 누락

표적과 수신기의 상대운동이 있다면 단순한 정적 전달함수만으로는 부족합니다.

• 직접 도플러 이동
• 경로별 도플러 차이
• 표적 운동에 따른 수신각 변화
• 수면 및 표적 자세 변화
• 시간에 따른 다중경로 구조 변화
• 선박·플랫폼의 이동으로 인한 비정상 주변소음

정지 표적용 모델로 학습한 뒤 이동 표적 실측에 적용하면 성능 저하가 클 수 있습니다. 처음부터 속도와 방위 변화가 있는 시나리오를 일부 포함하는 것이 바람직합니다.

SNR 정의의 불일치

SNR은 반드시 계산 기준을 명확히 해야 합니다.

• 시간영역 RMS 기준인지
• 전체 대역 에너지 기준인지
• 관심 대역 내 SNR인지
• 신호가 포함된 구간 기준인지
• 전파 후 신호와 잡음 각각에 채널을 적용하는지
• dB 단위의 전력비인지 진폭비인지

특히 colored noise에서는 전체 대역 SNR과 관심 대역 SNR이 크게 다를 수 있습니다. 논문에는 SNR의 수식, 측정 구간, 필터 대역, 잡음 생성 방법을 명시해야 합니다.

---

2) sim-to-real 갭 완화 방법

가장 효과적인 전략은 “더 많은 합성 데이터”가 아니라 “실측 데이터가 변할 수 있는 원인을 합성 분포에 포함하는 것”입니다.

실측 자료를 먼저 계층화하십시오

실측 데이터를 단순히 train/test로 나누기 전에 다음 조건을 메타데이터로 기록하는 것이 좋습니다.

• 표적 종류 및 운용 모드
• RPM, 속도, 깊이
• 송수신 거리와 방위
• 수심과 해저 조건
• 수온 및 음속 프로파일
• 해상 상태와 풍속
• 센서와 DAQ 설정
• 주변 선박·생물·기계 소음
• 녹음 날짜와 장소

이후 “같은 환경의 다른 구간”이 아니라 “날짜·환경·운용조건이 분리된 테스트”를 구성해야 실제 일반화 성능을 평가할 수 있습니다.

물리 기반 domain randomization

다음 변수를 사전에 정의한 범위에서 샘플링하십시오.

• SSP 및 수온약층 깊이
• 표적·수신기 수심
• 거리와 방위각
• 해저 파라미터
• 표면 거칠기와 반사손실
• 음원 레벨 및 스펙트럼
• 표적 속도와 RPM
• 도플러
• 센서 응답과 이득
• 주변소음의 종류와 시간적 변동
• 잔향 및 다중경로 구조

중요한 점은 모든 변수를 균등분포로 뽑는 것이 아니라, 해양학적 관측자료나 실험장 조건에 기반한 현실적인 prior를 사용하는 것입니다.

실제 배경소음을 적극적으로 사용하십시오

방사소음은 합성하되, 실제 해양 배경소음을 녹음하여 혼합하는 방법이 매우 유용합니다. 단, 실측 표적이 포함된 구간을 잘못 사용하면 데이터 누수가 생길 수 있으므로 표적 부재 구간을 별도로 선별해야 합니다.

권장 방식은 다음과 같습니다.

1. 합성 표적 신호를 생성합니다.
2. 실제 표적 부재 배경소음을 선택합니다.
3. 동일한 샘플링률과 계측 체계로 맞춥니다.
4. 목표 SNR에 따라 혼합합니다.
5. 실측 전처리와 같은 필터·정규화를 적용합니다.

이 방식은 실제 배경소음의 비정상성, 스펙트럼 기울기, 충격성 성분을 자연스럽게 반영할 수 있습니다.

실측 데이터로 제한적인 적응을 수행하십시오

실측 라벨이 충분하지 않다면 다음 순서를 권합니다.

• 합성 데이터로 기본 분류기 학습
• 라벨이 없는 실측 데이터로 자기지도 사전학습 또는 feature alignment
• 소량의 라벨된 실측 데이터로 calibration 또는 fine-tuning
• 실측 검증 세트로 조기 종료와 하이퍼파라미터 선택

다만 실측 테스트 세트를 fine-tuning에 사용하면 안 됩니다. 특히 BatchNorm은 합성·실측 분포 차이에 민감하므로, fine-tuning 시 BatchNorm 통계 처리에 주의해야 합니다.

주파수 표현을 하나로 고정하지 마십시오

1D ResNet이 파형을 직접 입력받는 것은 좋은 선택이지만, 분류에 유리한 정보가 어디에 있는지 확인해야 합니다.

비교 대상으로 다음을 권합니다.

• 원시 파형 기반 1D CNN/ResNet
• STFT magnitude 기반 2D CNN
• log-mel 또는 power spectral density 기반 모델
• 파형과 스펙트럼의 late fusion
• 시간-주파수 표현과 RPM 등 운용 메타데이터의 결합

방사소음은 협대역 선명선과 시간적 변동이 동시에 중요하므로, 원시 파형 단일 입력보다 시간-주파수 특징을 병행하는 것이 유리할 수 있습니다.

시뮬레이션과 실측의 전처리를 완전히 통일하십시오

다음이 일치하지 않으면 모델이 신호가 아닌 전처리 차이를 학습할 수 있습니다.

• 샘플링 주파수
• 필터의 차수와 위상 특성
• 윈도 길이와 hop 크기
• 정규화 방식
• 클리핑과 이상치 처리
• 신호 구간 검출 방식
• 파일별 또는 전역 통계 사용 여부
• 데이터 증강 적용 위치

정규화 통계는 원칙적으로 훈련 데이터에서만 계산해야 합니다. 파일별 z-score는 실측 환경에서 비현실적으로 유리한 정보 정규화를 만들 수 있으므로, 여러 조건을 비교해 보는 것이 좋습니다.

레이블과 환경을 분리해 평가하십시오

모델 정확도만 보고하면 sim-to-real 갭의 원인을 알기 어렵습니다. 다음 분석이 유용합니다.

• SNR별 성능
• 거리별 성능
• 깊이별 성능
• RPM 또는 운용모드별 성능
• 날짜별 성능
• 수온약층 유무별 성능
• 배경소음 종류별 성능
• 표적별 confusion matrix
• calibration curve와 expected calibration error
• 합성·실측 feature embedding의 분포 비교

특히 실측에서 정확도는 낮지만 confidence가 높다면 데이터 분포 이동과 calibration 문제가 함께 존재할 가능성이 큽니다.

---

3) 재현성을 위한 실험 설계 체크리스트

시뮬레이션 조건

• 좌표계, 수심 기준, 거리 정의를 명시했는가
• SSP 생성에 사용한 수온·염분·압력 자료와 변환식을 기록했는가
• 음속 공식과 단위를 명시했는가
• 해저 및 해수면 경계조건을 수치로 저장했는가
• Bellhop 실행 설정과 버전을 보존했는가
• 음선 수, 최대 반사 횟수, 각도 범위, 거리·수심 격자를 기록했는가
• 실패한 음선 추적과 비정상 출력의 처리 기준이 있는가
• 표면 거칠기·해저 불확실성의 확률분포와 난수 시드를 저장했는가
• 도플러 및 시간변화 채널 생성 방법을 설명했는가

음원 및 잡음

• 표적별 방사소음 생성 모델과 파라미터를 공개했는가
• 소스 레벨과 스펙트럼 정규화 기준을 명시했는가
• RPM, 속도, 운용 모드의 생성 범위를 기록했는가
• 배경소음의 출처와 표적 부재 여부를 확인했는가
• SNR 정의와 계산 구간을 명시했는가
• 백색잡음뿐 아니라 colored, 비정상, 충격성 잡음을 고려했는가
• 합성 신호와 실측 배경소음의 혼합 순서를 기록했는가

데이터 분할

• 같은 원본 녹음에서 인접한 윈도가 train/test에 동시에 들어가지 않았는가
• 동일한 표적·날짜·환경이 여러 분할에 걸쳐 누수되지 않았는가
• 환경 독립적인 외삽 성능을 평가했는가
• 합성 검증 세트와 실측 최종 테스트 세트를 분리했는가
• 클래스별·조건별 표본 수와 불균형을 보고했는가
• 모든 분할에 사용된 난수 시드를 저장했는가

모델 및 학습

• 1D ResNet의 층 구조, 입력 길이, stride, dilation을 명시했는가
• 파라미터 수와 학습 가능한 파라미터 수를 보고했는가
• 초기화, optimizer, learning rate, scheduler, batch size를 기록했는가
• weight decay, dropout, augmentation을 기록했는가
• class weighting 또는 sampling 방법을 명시했는가
• early stopping 기준과 최대 epoch를 기록했는가
• 여러 seed에 대한 평균과 표준편차를 계산했는가
• 동일한 계산 예산으로 baseline과 비교했는가
• CNN 외에 단순한 PSD·선 스펙트럼 기반 baseline을 포함했는가

평가

• accuracy만이 아니라 macro-F1, balanced accuracy, confusion matrix를 보고했는가
• SNR별 성능 곡선을 제시했는가
• 실측 데이터의 날짜·환경 분리 성능을 제시했는가
• 신뢰도 calibration을 평가했는가
• ablation study로 환경 랜덤화, 실제 잡음 혼합, 도플러 모델의 효과를 분리했는가
• 합성 데이터만 학습한 모델과 실측 적응 모델을 비교했는가
• 성능의 95% 신뢰구간 또는 반복실험 변동성을 보고했는가

코드와 산출물

• MATLAB과 Python의 버전 및 주요 패키지 버전을 고정했는가
• 환경 파일 또는 컨테이너 설정을 제공했는가
• 시뮬레이션 입력 파일과 생성 메타데이터를 저장했는가
• 원시 데이터, 전처리 데이터, feature 데이터의 구분이 명확한가
• 모델 checkpoint와 학습 로그를 보존했는가
• 하나의 명령으로 데이터 생성·학습·평가를 재실행할 수 있는가
• 비공개 실측 데이터에 대해서도 최소한 통계, 분할 기준, 메타데이터 스키마를 공개했는가

추천하는 최소 실험 구조

초기 논문 실험은 다음 네 단계로 구성하면 해석이 명확합니다.

1. 이상적인 정적 채널 + 백색잡음
2. 현실적인 SSP·해저·수면 랜덤화 + 합성 잡음
3. 현실적인 채널 + 실제 배경소음 혼합
4. 합성 학습 후 완전히 분리된 실측 데이터 평가

여기에 다음 ablation을 추가하면 각 요소의 기여도를 설명할 수 있습니다.

• 환경 랜덤화 제거
• 도플러 제거
• 센서 응답 모델 제거
• 실제 배경소음 제거
• 표적 소스 변동성 제거
• 실측 fine-tuning 추가

가장 중요한 실험 원칙은 “합성 데이터에서 높은 정확도”를 최종 성과로 삼지 않는 것입니다. 논문의 핵심 결과는 환경·날짜·운용조건이 분리된 실측 데이터에서의 성능과, 각 sim-to-real 완화 요소가 그 성능을 얼마나 개선했는지에 두는 것이 좋습니다.