R-GeoXNet: A Direction-Aware Relational Graph Neural Network for Regional Mineral Prospectivity Mapping

기술 요약: 지역적 광물 유망성 매핑을 위한 R-GeoXNet

문제 정의
구조적으로 복잡한 지형에서의 광물 유망성 매핑(MPM)은 기존의 공간 모델링 접근 방식, 즉 표준 머신러닝 및 합성곱 신경망(CNN)을 포함한 방식이 일반적으로 등방성(isotropic) 공간 관계를 가정한다는 점에서 결정적인 한계에 직면해 있습니다. 이러한 방법들은 인접한 위치가 지질학적 방향성과 관계없이 유사한 영향력을 행사한다고 간주합니다. 그러나 광화 작용 과정(예: 단층에 의한 유체 이동, 관입 접촉, 열수 변질)은 본질적으로 이방성(anisotropic)이며, 상당한 거리에 걸쳐 특정 구조적 경로(예: 단층, 전단대)를 따릅니다. 지질학 분야의 기존 그래프 신경망(GNN) 적용 사례들은 대개 등방성 또는 무방향성 인접 구조에 의존하며, 이는 지질학적 방향성을 명시적으로 인코딩하지 못합니다. 결과적으로, 티베트 라사-워카(Lhasa-Woka) 지역과 같은 지역에서 정확한 유망성 예측에 필수적인 방향성 지질 연속성과 장거리 구조적 경향을 보존하는 데 어려움을 겪습니다.

방법론
이러한 한계를 해결하기 위해, 저자는 지역적 다금속 유망성 매핑을 위해 설계된 방향 인식 관계형 그래프 신경망인 R-GeoXNet(Relational GeoGraph eXchange Network)을 제안합니다. 방법론은 다음과 같은 주요 구성 요소로 이루어집니다:

1. 데이터 통합 및 전처리:

   • 입력 데이터: 본 프레임워크는 39개의 스트림 퇴적물 지화학 원소, 조성 데이터 분석(CoDA)을 통해 도출된 3개의 등각 로그 비(ILR) 균형(balances), 그리고 파쇄 밀도 레이어를 통합합니다.
   • ILR 균형: 광범위한 광화 원소, Cu-Mo 대 W-Sn 분화, Pb-Zn 연관성 등을 나타내기 위해 지식 기반의 세 가지 균형(B7, B8, B9)이 선택되었으며, 이는 폐쇄 효과(closure effects)를 완화하고 다원소 시그니처를 포착하기 위함입니다.
   • 타일링(Tiling): 연구 지역은 5,500개의 공간 단위로 분할되었으며, 각 단위는 16 × 16 래스터 타일(약 2 × 2 km²)로 표현됩니다. 각 타일은 43개의 특징 채널(39개 원소 + 3개 ILR 균형 + 1개 파쇄 밀도)을 포함합니다.

2. 다중 관계 그래프 구축:

   • 각 16 × 16 타일은 256개의 노드(픽셀)를 가진 그래프로 변환됩니다.
   • 방향성 관계: 표준 그래프와 달리, 엣지(edge)는 북, 남, 동, 서, 북동, 북서, 남동, 남서, 그리고 자기 루프(Self-loop)의 9가지 특정 방향 관계에 의해 정의됩니다.
   • 지질학적 인코딩: 대각선 관계(NE-SW 및 NW-SE)는 라사-워카 지역에서 지배적인 구조적 과정(단층, 전단 조직)을 포착하기 위해 명시적으로 설계되었으며, 직교 관계는 층서적 연속성을 포착합니다.

3. 관계형 GeoGraph 특징 추출:

   • 핵심 아키텍처는 **관계 인식 메시 전달(relation-aware message passing)**을 채택합니다. 노드 임베딩은 각 관계 유형에 대한 학습 가능한 가중치 행렬을 사용하여 방향별 관계를 통해 정보를 집계함으로써 업데이트됩니다.
   • 아키텍처: 모델은 은닉 차원이 128인 4개의 스택된 관계형 합성곱 레이어로 구성됩니다. 과적합과 오버스무딩(over-smoothing)을 방지하기 위해 GraphNorm, Dropout 및 DropEdge를 사용합니다.
   • 리드아웃(Readout): 전역 평균 및 최대 풀링(Global mean and max-pooling)을 통해 노드 임베딩을 타일 수준의 기술자로 집계하며, 이는 확률적 광화 작용을 예측하기 위한 분류 헤드로 전달됩니다.

4. 훈련 및 보정:

   • 모델은 AdamW 옵티마이저를 사용하여 234개의 레이블된 타일(광화 117개, 비광화 117개)로 구성된 균형 잡힌 데이터셋으로 훈련되었습니다.
   • 확률 신뢰도를 높이기 위해 훈련 후 보정 기법인 확률적 가중 평균(SWA), 지수 이동 평균(EMA), 온도 스케일링(temperature scaling)이 적용되었습니다.

주요 기여

• 방향 인식 그래프 토폴로지: 본 연구는 인접한 이웃을 등방적으로 취급하는 대신, 공간적 연결을 9개의 별도 방향 관계 채널로 분리함으로써 지질학적 이방성을 명시적으로 인코딩하는 그래프 구축 방법을 도입했습니다.
• CoDA 및 구조 데이터의 통합: 본 프레임워크는 조성 데이터 분석(ILR 균형을 통해)과 파쇄 밀도 속성을 관계형 그래프 학습 패러다임 내에 성공적으로 통합하여, 지화학적 연관성과 구조적 제어를 향상시켰습니다.
• 방향성 민감도 분석: 저자는 절제 연구(ablation studies)를 통해 대각선 관계(특히 NE-SW)를 제거할 때 성능 저하가 가장 크게 나타남을 입증함으로써, 방향성 인코딩의 지질학적 타당성을 검증하는 경험적 증거를 제공했습니다.

결과
라사-워카 지역에서 평가된 R-GeoXNet은 벤치마크인 그래프 합성곱 네트워크(GCN) 및 그래프 어텐션 네트워크(GAT)보다 우수한 성능을 보였습니다:

• 성능 지표: 모델은 **85.42%**의 정확도, 0.9306의 ROC-AUC, 0.934의 PR-AUC, 0.8444의 F1-score를 달em했습니다.
• 비교: R-GeoXNet은 GCN(정확도: 81.25%, AUC: 0.8681) 및 GAT(정확도: 83.33%, AUC: 0.8854) 베이스라인보다 뛰어난 성능을 보였습니다. 통계적 검정은 이러한 개선이 유의미함을 확인했습니다.
• 절제 연구 결과: 관계형 엣지를 제거했을 때 성능 하락이 가장 컸으며(AUC가 0.882로 감소), 이는 방향성 메시 전달이 모델 성공의 주요 동력임을 확인시켜 줍니다. ILR 균형과 파쇄 밀도를 제거하는 것 또한 측정 가능한 성능 저하를 초래하여, 조성 및 구조적 특징의 중요성을 강조했습니다.
• 지역 매핑: 5,500개의 타일에 적용하여 9개의 유망 타겟(I–IX)을 식별하는 유망성 지도를 생성했습니다. 이 타겟들은 알려진 광물 발생지(Pb-Zn, Cu-다금속, Au) 및 주요 NW-SE 및 NE-SW 구조 회랑과 강한 공간적 대응 관계를 보였습니다.

의의 및 주장
본 논문은 광물 유망성 매핑을 방향 인식 관계 학습 문제로 재구성하는 것이 기존의 공간 패턴 인식보다 중요한 진전임을 주장합니다. 지질학적 방향성을 그래프 토폴로지에 직접 내장함으로써, R-GeoXNet은 등방성 모델이 매끄럽게 처리하거나 간과하는 이방성 구조 제어를 포착합니다. 본 연구는 이 접근 방식이 MPM을 "지질학적으로 정보가 풍부한 관계적 표현 학습"으로 전환하며, 다원소 지화학적 연관성을 방향성 구조적 연속성과 효과적으로 통합한다고 주장합니다.

저자는 본 프레임워크가 단일 금속 생성 지역에서 상대적으로 적은 수의 레이블된 샘플로 평가되었다는 점을 언급하며 한계에 대해 신중한 입장을 유지합니다. 그들은 생성된 유망성 지도가 독립적인 지질학적 검증이 필요한 확률적 예측을 제공한다는 점을 강조하며, 모델의 다른 테크토닉 환경에 대한 전이 가능성은 여전히 테스트되어야 한다고 밝힙니다. 본 연구는 특정 광상 유형을 개별적으로 예측한다고 주장하는 것이 아니라, 유리한 다금속 광화 특성을 가진 영역을 식별하는 것을 목표로 합니다.