MANUSCRIPT Mapping Rare Earth Element Prospectivity in the Ruri Carbonatite Complex Using Explainable Ensemble Learning

당신이 보물 사냥꾼이라고 상상해 보세요. 하지만 당신이 찾는 것은 금이나 보석이 아니라, 스마트폰을 작동시키고 전기 자동차를 질주하게 만드는 보이지 않는 재료들입니다. 이 재료들은 희토류 원소(REE)라고 불립니다. 이들은 풍력 터빈부터 의료 기기에 이르기까지 모든 것에 필수적인 현대 기술의 "양념"과 같습니다. 문제는 이들을 찾는 것이 끊임없이 움직이고 모양이 변하는 건더기 속에서 특정 바늘을 찾는 것만큼 어렵다는 점입니다.

이 바늘들을 찾기 위해 지질학자들은 과거에 구멍을 파고 주변 암석이 어떻게 보이는지에 기초하여 추측하는 방식에 의존했습니다. 하지만 오늘날 우리에게는 새로운 초능력이 있습니다. 바로 학습할 수 있는 컴퓨터입니다. 머신러닝을 아주 똑똑한 학생이라고 생각해보세요. 이 학생은 수천 개의 지도와 화학 보고서를 읽고 인간이 놓칠 수 있는 패턴을 포착해 냅니다. 하지만 함정이 있습니다. 이 똑똑한 컴퓨터들은 종종 "블랙박스"와 같습니다. 당신이 "보물이 어디에 있나요?"라고 물으면, 컴퓨터는 "여기에 있습니다"라고 답하지만, 왜 그런지는 설명하지 못합니다. 이는 마치 길을 알려주면서 어떤 랜드마크를 찾아야 하는지는 말해주지 않는 친구와 같습니다. 지질학자들이 "왜"를 이해하지 못하면 "어디"를 믿을 수 없기 때문에, 이 점은 그들을 불안하게 만듭니다.

여기서 "설명 가능한 인공지능(XAI)"이라는 새로운 접근 방식이 등장합니다. 이것은 컴퓨터에게 목소리를 부여하여, "암석이 특정한 색을 띠고, 땅에 특정한 방식으로 균열이 있으며, 화학 성분이 이런 냄새가 나기 때문에 보물이 여기에 있다고 생각합니다"라고 말할 수 있게 해주는 것과 같습니다. 여러 가지 서로 다른 컴퓨터 모델의 두뇌를 하나의 "슈퍼 팀"으로 결합함으로써, 과학자들은 보물을 찾을 뿐만 아니라 지도를 완벽하게 이해하는 것을 목표로 합니다.

---

루리 힐즈(Ruri Hills) 보물 찾기 이야기

케냐 남서부에는 루리 카보네이트 복합체(Ruri Carbonatite Complex)라고 불리는 곳이 있습니다. 이곳은 고대의 마그마가 지하 깊은 곳에서 밀고 올라와 남긴 암석들이 복잡하게 섞인 지형으로, 희토류 원소를 숨기고 있을지도 모르는 암석들이 존재합니다. 하지만 이 지역은 탐사가 미진한 상태, 즉 좋은 것들이 어디에 있는지에 대한 완전한 지도가 없는 상태입니다. 나이로비 대학교의 연구팀은 "스택드 앙상블 학습(Stacked Ensemble Learning)"이라는 고도의 기술적 탐정 기법을 사용하여 이 미스터리에 도전하기로 했습니다.

이들의 방법은 마치 재능 쇼의 전문가 심사위원 패널과 같습니다. 단 한 명의 심사위원에게 의존하는 대신, 그들은 데이터 분석을 위해 세 가지 유형의 "심사위원"(컴퓨터 알고리즘)을 불러 모았습니다:

1. SVM (서포트 벡터 머신): 암석 그룹이 아무리 무질서하더라도 서로 다른 그룹 사이의 명확한 경계선을 긋는 데 탁월한 심사위원입니다.
2. RF (랜덤 포레스트): 단 하나의 이상한 암석에 속지 않도록 수백 개의 작은 결정 나무(decision trees)를 구축하는 심사위원입니다.
3. XGBoost: 매 단계마다 자신의 실수를 통해 배우며 점점 더 똑똑해지는 심사위원입니다.

보통은 정답을 가장 많이 맞힌 한 명의 심사위지만을 선택하곤 합니다. 하지만 이 팀은 영리한 방법을 사용했습니다. 세 명의 다른 심사위원들의 의견을 듣고 그 의견들을 조합하여 최종 결정을 내리는 "수석 심사위원"(메타 러너)을 만든 것입니다. 이것이 바로 "스택드(stacked)" 부분입니다. 이는 세 명의 전문가에게 조언을 구한 뒤, 현명한 멘토가 그 모든 답변을 저울질하여 최선의 권고안을 내놓는 것과 같습니다.

연구팀은 이 슈퍼 팀에게 토륨(Thorium)과 우라늄(Uranium) 같은 원소의 화학적 농도, 존재하는 암석의 종류, 그리고 지면의 균열과 단층 위치 등 방대한 양의 데이터를 입력했습니다. 그들은 모델에게 희토류가 풍부한 암석과 그렇지 않은 암석을 구별하도록 가르쳤습니다.

그들이 발견한 것

결과는 인상적이었습니다. 연구팀이 이 "슈퍼 심사위원" 패널을 테스트했을 때, 정답률은 **95.6%**에 달했습니다. 좋은 지역과 나쁜 지역을 구분해내는 점수는 0.97(1.0이 완벽한 점수인 척도)을 기록할 정도로 매우 뛰어났습니다. 흥미롭게도, 팀 내에서 단일 모델로서 가장 뛰어났던 심사위원(XGBoost)은 이미 혼자서도 훌륭한 성과를 냈지만, 팀 단위의 접근 방식은 예측을 더욱 안정적이고 신뢰할 수 있게 만들었습니다.

하지만 진짜 마법은 점수 그 자체가 아니었습니다. 바로 '설명'이었습니다. SHAP라는 도구(컴퓨터가 무엇을 생각하는지 돋보기처럼 들여다보는 도구)를 사용하여, 연구원들은 어떤 단서가 가장 중요한지를 정확히 밝혀냈습니다. 모델은 다음과 같은 핵심 징후들을 명확하게 알려주었습니다:

• 총 희토류 산화물 (TREO): 암석 속에 들어있는 "양념"의 전체 양.
• LREE/HREE 분별 (fractionation): 이 종류의 광물을 나타내는 지문 역할을 하는 두 종류의 희토류 비율.
• 토륨과 우라늄: 이 원소들은 희토류와 함께 붙어 다니는 경우가 많으므로, 이들을 찾는 것은 큰 단서가 됩니다.
• 구조적 밀도 (Structural density): 광물이 풍부한 유체가 이동하는 통로 역할을 하는 균열과 단층이 얼마나 많은지를 나타냅니다.

그들이 제작한 최종 지도는 희토류 원소를 발견할 확률이 매우 높은 루리 복합체의 특정 구역들을 강조해 보여줍니다. 이 구역들은 카보네이트 암석, 그 주변의 변성된 암석(페나이트라고 불림), 그리고 주요 단층선들과 연결되어 있습니다.

이것이 중요한 이유

이 논문은 이 방법이 단순히 "블랙박스"식의 답을 주는 것이 아니기 때문에 게임 체인저가 될 수 있다고 제안합니다. 이 모델은 지질학자들이 왜 컴퓨터가 특정 지점을 지목했는지 그 이유를 확인할 수 있기 때문에 신뢰할 수 있는 데이터 기반의 지도를 제공합니다. 연구진은 가장 가능성이 높은 지점들이 암석과 화학적 신호가 일치하는 복합체의 중앙 부분임을 발견했습니다.

모델이 매우 정확하긴 하지만, 저자들은 이것이 하나의 가이드일 뿐 보증 수표는 아니라는 점을 주의 깊게 언급했습니다. 그들은 이러한 고확률 구역들이 실제 현장 조사, 예를 들어 참호 파기나 시추 작업을 수행할 때 첫 번째 대상지가 되어야 한다고 제안합니다. 똑똑한 컴퓨터 팀의 능력과 그 추론 과정을 설명할 수 있는 능력을 결합함으로써, 이 연구는 우리의 미래가 의존하고 있는 핵심 광물을 찾는 새롭고 투명한 방법을 제시하고 있습니다.