서 론
희토류의 전략적 중요성과 공급망 이슈
기존 탐사의 한계와 AI 도입의 필요성
해설의 범위와 구성
희토류 광상의 지질학적 특성과 기존 탐사 기법
REE 지구화학과 광상 유형
지구화학 탐사
지구물리 탐사
원격탐사
기존 탐사 기법의 공통 한계
AI 기반 탐사를 위한 자료와 기법
탐사 자료의 종류와 특성
자료 전처리와 통합
머신러닝 및 딥러닝 기법
모델 검증, 설명가능 AI 및 불확실성 정량화
AI의 희토류 연구·탐사 응용
광물 부존잠재성 평가
REE 광물·풍화대 식별 및 지구화학 이상대 탐지
광물 정량 및 품위·자원 모델링
광상 유형별 적용 사례 비교
국내 REE 부존 현황 및 연구 동향
현재의 한계와 향후 전망
자료·라벨 부족, 해석성, 일반화 문제
다중자료 융합, 물리 정보 기반 머신러닝, 파운데이션 모델
결 론
서 론
희토류의 전략적 중요성과 공급망 이슈
희토류(rare earth elements, REE)는 란타넘족 15개 원소와 Y, Sc를 합한 17개 원소를 말한다. 영구자석, 촉매, 형광체, 연마재 등 쓰임이 넓고, 전기자동차 구동모터와 풍력터빈 발전기에 들어가는 영구자석의 원료라는 점에서 청정에너지 전환의 핵심 소재로 꼽힌다(Zepf, 2016; Zhao et al., 2025). 전기자동차 보급 대수가 2020년 약 1,100만 대에서 2030년 최대 2억 3,000만 대로 늘고 풍력 설비 용량도 같은 기간 4배 가까이 커질 것으로 전망되므로, REE 수요는 앞으로도 구조적으로 증가할 수밖에 없다(Kursunoglu and Kursunoglu, 2024). ‘희소’라는 이름과 달리 지각 내 존재량 자체가 적은 것은 아니며, 경제성 있는 농집이 드물고 분산되어 산출된다는 뜻에 가깝다(Middleton, 2026).
문제는 공급이다. 2006년 세계 생산의 97.1%를 차지하던 중국이(Weng et al., 2015), 2010년에 수출 할당량을 약 40% 줄이면서 심각한 수급 불안이 있었고(Zepf, 2016), 2023년에도 중국의 광산 생산 비중은 약68%에 이른다(Fig. 1a; Middleton, 2026). 2010~2024년 세계 생산량은 133,000 t에서 390,000 t으로 3배 가까이 늘었지만(Fig. 1b) 이러한 집중 구조는 거의 바뀌지 않았다(Kilinc-Ata and Xavier, 2026). 중국이 매장량뿐 아니라 채굴에서 분리·정제, 소재화까지 이어지는 공급망을 갖추고 있기 때문이다(Zepf, 2016). 단일 공급원 의존은 가격 변동과 무역 마찰에 그치지 않고 수입국의 청정에너지 전환 속도까지 좌우한다(Kilinc-Ata and Xavier, 2026). 여기에 원소 간 화학적 유사성 때문에 분리·정제가 어렵고, 광상 유형마다 광물학적 산출 형태가 달라 공정을 개별적으로 설계해야 하며, 채굴과 정제 과정의 환경 부담도 크다는 REE 고유의 어려움이 더해진다(Weng et al., 2015; Rasool et al., 2025; Middleton, 2026).
Fig. 1.
(a) Share of world rare earth element (REE) mine production by country in 2023 and (b) world REE mine production from 2010 to 2024 (2024: estimate). Data from Middleton (2026) for (a) and Kilinc-Ata and Xavier (2026) for (b).
공급 안정을 위해 추출·정제 기술 개발, 재활용과 대체재, 광물경제와 거버넌스를 아우르는 정책이 함께 논의되고 있다(Zepf, 2016; Zhao et al., 2025; Kilinc-Ata and Xavier, 2026). 그러나 이들은 이미 확보된 자원을 전제로 하는 방안이고, 공급 집중을 실질적으로 완화하려면 결국 새로운 광상을 찾아야 한다(Zepf, 2016). 최근 북극권이 새로운 탐사 지역으로 거론되지만 인프라 부족, 원주민 생활권과의 중첩, 그린란드를 둘러싼 정치적 갈등 등 비기술적 제약이 만만치 않다(Middleton, 2026). 다양한 지역과 광상 유형을 대상으로 탐사를 효율화할 필요가 커지는 가운데, 인공지능(artificial intelligence, AI) 기법이 하나의 대안으로 제안되고 있다.
기존 탐사의 한계와 AI 도입의 필요성
REE 광상은 탄산염암, 알칼리 화성암, 이온흡착형 풍화잔류층, 사광, 심해저 퇴적물 등 성인이 매우 다양하고, 유형마다 지시 광물과 지구화학·지구물리 신호가 달라 하나의 탐사 모델로 다루기 어렵다(Weng et al., 2015; Fu et al., 2025). 여러 광물 조합과 변질작용이 겹친 알칼리 복합체에서는 광화작용이 비선형적이어서 선형 통계에 기반한 이상대 해석으로는 숨은 관계를 잡아내기 힘들다(Fu et al., 2025; Rezaei et al., 2025). 석탄재나 심해저 진흙 같은 비전통 자원은 잠재량이 크다고 평가되면서도 지역별 함량 자료나 공간 분포 자료가 부족해 자원 평가가 늦어지고 있으며(Kato et al., 2011; Reedy et al., 2024), 이는 시추와 실험실 분석에 기대는 전통적 탐사만으로 메우기 어려운 공백이다(Weng et al., 2015). XRD, SEM, ICP-MS 같은 실험실 분석은 정확하지만 시간과 비용 때문에 대규모 조사에는 맞지 않는다(Muacanhia et al., 2025).
AI 기반 접근은 이러한 한계를 보완하는 수단으로 평가된다. 머신러닝은 형식과 해상도가 다른 지질·지구화학·지구물리·원격탐사 자료를 하나의 예측 모델로 통합하고, 광화작용의 비선형 관계를 학습하며, 단일 탐사법으로는 구분하기 어려운 미약한 이상을 자료 간 교차 검증으로 찾아낼 수 있다(Yang et al., 2024; Fu et al., 2025). 위성·드론·초분광·시추코어 센서에서 쏟아지는 자료를 자동으로 처리하여 비용과 시간을 줄이고, 자료증강과 비지도학습으로 자료가 희소한 비전통 자원까지 평가할 수 있다는 점도 장점이다(Chatterjee et al., 2022; Bishop and Robbins, 2024; Yang et al., 2024; Rezaei et al., 2025). 피복층 아래 은폐된 광상처럼 기존 광상모델이 잘 맞지 않는 대상에서 특히 효용이 크다(Lee and Moon, 2026).
해설의 범위와 구성
본 해설은 AI 기법이 REE 광상 연구와 탐사에 어떻게 적용되어 왔는지 정리하고 향후 방향을 제시하는 것을 목적으로 한다. 2장에서 REE의 지구화학과 광상 유형, 기존 탐사 기법과 그 한계를 살펴보고, 3장에서 AI 기반 탐사에 쓰이는 자료와 전처리, 주요 기법, 검증·설명가능성·불확실성 평가를 다룬다. 4장에서는 부존잠재성 평가, REE 광물·풍화대 식별, 품위·자원 모델링에 적용된 사례를 광상 유형별로 비교하고, 대한민국 REE 광상의 부존 현황을 제시한다. 5장에서 한계와 전망을, 6장에서 결론을 제시한다. 국제 학술지의 최근 연구를 주로 검토하였고, 광상 유형 전반의 ML·DL 탐사 동향은 국내 학술지에 게재된 해설을 참고하였다(Lee et al., 2026).
희토류 광상의 지질학적 특성과 기존 탐사 기법
REE 지구화학과 광상 유형
REE는 보통 La–Gd의 경희토류(LREE)와 Tb–Lu 및 Y의 중희토류(HREE)로 나누며, 산업계에서는 Sm–Gd를 중간희토류로 따로 두기도 한다(Zepf, 2016; Zhao et al., 2025). Sc는 다른 REE와 함께 산출되는 일이 드물고 Pm은 반감기가 짧아 자연계에 거의 없으므로 이 분류에서 제외된다(Weng et al., 2015). REE는 친석원소로서 규산염 분획에 농집되는데, LREE는 인산염·탄산염 광물과 친화력이 커 모나자이트와 바스트네사이트에, HREE는 이온 반경이 작아 규산염·산화물 상에 들어가거나 산성 풍화 환경에서 점토 표면에 흡착된다(Rasool et al., 2025; Rezaei et al., 2025). 에너지 전환 기술에 중요한 Dy, Tb, Y는 HREE인데 일반적으로 LREE보다 낮은 농도로 산출되므로 이온흡착형 점토나 흑색 셰일처럼 HREE가 상대적으로 부화된 자원의 가치가 커지고 있다(Dostal, 2017; Rasool et al., 2025; Zhao et al., 2025).
REE는 불호정성이 강해 맨틀의 낮은 부분용융으로 생긴 마그마와 분별정출 후기의 잔류 용융체에 농집되며, 이것이 탄산염암과 알칼리 화성암 관련 광상의 근본 원인이다(Weng et al., 2013; Weng et al., 2015). 열수 환경에서는 본래 이동성이 낮지만 F와 Cl 리간드를 가진 고온 열수가 있으면 안정한 착물을 만들어 이동한다. 다만 실제 운반은 주로 Cl 착물이 담당하고 F는 REE 불화탄산염이나 형석을 침전시키는 리간드로 작용하므로, 열수형 REE 광화작용에는 형석이 흔히 수반된다(Williams-Jones et al., 2012; Weng et al., 2013). 풍화 환경에서는 모광물이 분해되며 나온 REE가 점토광물에 흡착되어 잔류 농집되며, 지형이 안정되어 풍화가 오래 지속될수록 REE 농집에 유리하다(Weng et al., 2013; Ye et al., 2025).
광상 분류는 영국 지질조사국의 구분을 따라 마그마·열수·변성 작용으로 형성된 1차 광상과 풍화·침식·퇴적 작용으로 형성된 2차 광상으로 나누는 것이 일반적이다(British Geological Survey, 2011; Weng et al., 2015; Balaram, 2019). 1차 광상에는 탄산염암형, 알칼리·과알칼리 화성암형, 열수형, IOCG형, 인산염암형, 화강암·페그마타이트형이, 2차 광상에는 사광형, 보크사이트형, 라테라이트형, 이온흡착형, 심해저 퇴적물형이 있다(Zhao et al., 2025). 탄산염암은 탄산염 광물이 50%를 넘는 화성암으로, 알칼리 화성암 지역과 흔히 수반되며(British Geological Survey, 2011), Bayan Obo와 Mountain Pass를 비롯한 주요 생산 광상이 이 유형에 속한다(Fig. 2; Wang et al., 2020). 탄산염암 관련 광상은 다시 마그마형, 열수형, 풍화각형으로 나뉘는데 마그마형과 열수형은 각각 탄산염암 마그마와 그로부터 진화한 열수가, 풍화각형은 고온다습한 환경의 장기 풍화가 만든 것이다(Wang et al., 2020). 이온흡착형 광상은 화강암이나 화산암이 아열대 기후에서 오래 풍화되어 형성되며, REE가 독립 광물이 아니라 카올리나이트 같은 점토 표면에 이온 상태로 붙어 있다(Russo et al., 2025; Zhao et al., 2025). 이러한 광상 유형은 품위가 낮아도 HREE가 풍부하고 방사성 원소가 적으며 추출이 쉬워 경제성이 높다(British Geological Survey, 2011; Dostal, 2017; Ye et al., 2025). 심해저 REE 함유 진흙은 육원성 쇄설물과 생물기원 규산염·탄산염이 적은 원양 점토로, 생물인회석과 미세단괴에 REE가 농집되어 있고 퇴적 속도가 느릴수록 함량이 높다(Nakamura et al., 2015). 중희토류 함량이 중국 이온흡착형 광상과 비슷하거나 높고 분포가 넓으며 방사성 원소가 1~2자릿수 적어 잠재 자원으로 주목받는다(Kato et al., 2011; Nakamura et al., 2015).
Fig. 2.
Global distribution of carbonatite-related REE deposits (reproduced from Wang et al., 2020, under the CC BY 4.0 license).
지구화학 탐사
하천 퇴적물은 유역의 풍화·침식 산물이 모인 것이므로 근원암의 암상을 반영하며, 가장 오래되고 널리 쓰이는 광역 탐사 매체이다(Doherty et al., 2023). 기술이 발달하며 검출한계가 낮아지면서 REE를 포함한 미량원소 매핑이 가능해졌지만, 지형과 배수망, 빙하 이력, 시료 입도 등을 고려해 설계하지 않으면 해석이 어렵다(Doherty et al., 2023). 저밀도 하천 퇴적물 매핑은 본래 농축계수가 큰 귀금속·비금속을 찾기 위해 발전한 방법이어서, 이온흡착형 REE 광상처럼 이상이 미약한 대상에서는 화강암 기원의 광화 이상과 고철질암·탄산염암 기원의 비광화 이상을 다변량 정보로 가려내는 것이 관건이 되며, 여기서 머신러닝의 역할이 요구된다(Han et al., 2023). U, Th, K 농도는 REE 광화작용과 상관이 높아 휴대용 감마선 분광계로 시추코어를 현장에서 분석하거나 방사성 원소 분포로 유망 구역을 좁히는 데도 쓰인다(Balaram, 2023; Nagy and Eldosouky, 2026).
실험실 분석은 ICP-MS, ICP-OES 같은 벌크 분석이 중심이다. 정량적으로는 정확하지만 REE가 어떤 광물에 어떤 형태로 들어 있는지 알 수 없고, 강산 분해 과정에서 모암 정보가 사라진다(Rasool et al., 2025). 산출 형태는 침출 특성과 추출 공정 설계를 좌우하므로 벌크 정량은 XRD, SEM-EDS 등 광물 분석과 질량수지 검증으로 보완되어야 한다(Rasool et al., 2025). 다만 해양 REE 자원인 Fe-Mn 각의 버나다이트처럼 결정도가 낮은 나노 광물은 단일 상이 아니라 혼합층 구조를 가지므로, 일반 XRD만으로는 구조를 규명하기 어렵고 방사광 XRD, X선 PDF 분석, 고분해능 TEM을 함께 적용해야 한다(Lee et al., 2019). 이온흡착형 광상의 REE 흡착 매체인 점토광물에도 같은 접근이 유효하여, 방사광 XRD의 Rietveld 분석과 PDF 분석을 결합해 일라이트의 이방성 원자변위 매개변수까지 정밀화한 사례가 있다(Lee, 2025). XRF와 INAA 같은 비파괴 분석, 휴대용 XRF와 LIBS 같은 현장 분석은 감도, 검출한계, 전처리, 매트릭스 간섭 면에서 각기 장단점이 있어 단일 기법으로 REE의 농도와 산출 형태를 함께 규명하기는 어렵다(Balaram, 2023; Saputra et al., 2025). 이 가운데 휴대용 XRF와 LIBS는 전처리가 거의 필요 없고 코어 스캐너와 연계할 수 있어 AI 기반 자료 처리와 결합할 여지가 크며, LIBS에 인공신경망을 결합해 석탄과 암석을 자동 인식한 사례도 있다(Rasool et al., 2025; Saputra et al., 2025). 용액 중 REE 이온을 검출하는 전기화학 센서와 바이오센서도 개발되고 있으나 아직 실험실 검증 단계이다(Balaram, 2023).
지구물리 탐사
지구물리 탐사는 광석을 함유한 탄산염암이나 화성 복합체의 위치와 분포를 밝히는 데 쓰이며, 감마선 분광, 탄성파, 배경잡음 토모그래피, 전자기, 중력·자력 탐사가 활용된다(Chen et al., 2025). 감마선 분광 탐사는 REE 광상에 수반되는 U, Th 방사능 이상을 직접 탐지하는 방법으로, 캐나다 Strange Lake, Nechalacho 등 여러 탄산염암·과알칼리 광상에서 방사능 이상과 REE 품위의 상관이 보고되었다(Shives, 2015). 알래스카 Bokan Mountain에서는 항공 감마선 분광과 자력 자료를 결합해 Dotson 맥상대를 따라 약 1.3 km의 유망 구간을 도출하였고(McCafferty et al., 2014), 무인항공기에 소형 검출기를 실어 25~35 m 저고도에서 조사하는 방법도 시도되고 있다(Parshin et al., 2021).
탄성파 탐사는 잡음 제거, 정적 보정, 속도 구조화와 마이그레이션을 거쳐 4 km 깊이까지의 구조를 영상화하며, 배경잡음 토모그래피는 인공 진동원 없이 전단파 속도 구조를 얻는다(Chen et al., 2025). Bayan Obo에서는 고밀도 배열로 2.5 km 깊이까지 광석 함유 백운암의 3차원 분포를 구하고(Chen et al., 2025), REE-Nb-Fe 광화작용을 제어하는 심부 단층계를 영상화한 바 있다(Yang et al., 2026). 전자기 탐사는 MT, CSAMT, SOTEM 등으로 최대 10 km 깊이의 전기적 구조를 규명한다(Chen et al., 2025). Bayan Obo의 Main 광체와 Eastern 광체 사이 2.3 km 구간에 시간영역 제어원 전자탐사를 적용한 연구에서는 5개의 단층이 식별되었고, 그중 Kuangou 단층이 광화 백운암의 분포를 제어하며 두 광체가 지하에서 이어진다는 사실이 확인되어 기존의 배사구조 모델에 이의가 제기되었다(Chen et al., 2024). 두꺼운 전도성 피복층 아래의 은폐 광상에는 관측 성분과 송수신 배열을 목표 심도에 맞춘 과도·근원거리 전자탐사가, 험준한 지형과 광역 조사에는 항공·반항공 전자탐사가 유효하다(Chen et al., 2025).
중력·자력 탐사는 넓은 지역을 빠르고 경제적으로 조사해 광화대와 변질대, 단층을 찾는 데 효과적이다(Nagy and Eldosouky, 2026). Mountain Pass에서는 중력·자력·방사능 자료를 통합해 Sulphide Queen 탄산염암체 위의 약 50 μm/s2 중력 고값과 폭 4 km의 중력 테라스를 확인하고, 남동쪽으로 약 5 km 이어지는 자력 이상대가 1.5~2 km 깊이에서 시작됨을 밝혔다(Denton et al., 2020). 네브래스카 Elk Creek에서는 200 m 두께의 퇴적층 아래 묻힌 Nb-REE 광체에 항공 중력구배·자력 탐사를 적용해 자철석-베포르사이트 단위가 만드는 환형 중력구배 고값을 확인하고 기존 시추 범위보다 깊은 곳의 광화 가능성을 제시하였다(Drenth, 2014). 다만 중력·자력 탐사는 광역 조사나 개별 이상점 검증에 치우쳐 있어 중소규모 정밀 탐사 사례는 드물다(Chen et al., 2025).
지구물리 탐사의 정확도를 높이려면 암석 물성의 체계적 확보, 광산 환경의 소음과 변형된 지형에 대한 대응, 역산의 다중해 완화가 필요하다(Chen et al., 2025). 밀도·자화율·비저항·분극률·속도를 아우르는 물성 자료가 부족하면 전기적 경계를 구분하기 어려운데, USGS가 Mountain Pass 지대 1,061개 시료에 대해 공개한 물성 데이터베이스는 그런 기초 자료의 예이다(Denton and Ponce, 2020). 특히 자화율은 같은 Fe(III) 산화물이라도 상에 따라 크게 달라지는데, 나노 크기의 Fe(III) 산화물은 입자가 성장하면서 γ-Fe2O3(마그헤마이트)→ε-Fe2O3→α-Fe2O3(적철석) 순으로 상이 바뀌므로(Lee and Xu, 2016), 풍화·변질대의 자력 자료는 자성 광물의 상과 입자 크기를 함께 고려해 해석해야 한다. 역산의 다중해는 시추공과 층서 정보를 제약 조건으로 넣거나 서로 다른 물리량을 함께 푸는 공동 역산으로 줄일 수 있으며, 출처와 해상도가 다른 자료에서 지질학적 해석을 끌어내는 데 영상 융합과 머신러닝이 유용한 도구로 제시되고 있다(Chen et al., 2025).
원격탐사
REE 광물은 가시광선-근적외선(VNIR)과 단파적외선(SWIR) 영역에서 날카로운 흡수 특징을 보이므로 초분광 원격탐사로 직접 식별할 수 있다(Balaram, 2023; Saputra et al., 2025). 바스트네사이트와 모나자이트의 경우 Nd3+에 기인한 740 nm 및 800 nm 부근의 흡수가 진단적이다(Fig. 3; Asadzadeh et al., 2024). 광역 암상·변질대 매핑에는 ASTER, Landsat, Sentinel-2 같은 다중분광 자료가 쓰이며, ASTER GDEM에서 얻은 기복 진폭, 절개 깊이, 경사 등 지형 매개변수는 풍화잔류형 광상의 형성 조건을 평가하는 데 활용된다(Ye et al., 2025).
Fig. 3.
VNIR–SWIR reflectance spectra of bastnaesite and monazite showing the diagnostic Nd3+ absorption features near 740 and 800 nm (reproduced from Asadzadeh et al., 2024, under the CC BY 4.0 license).
REE의 흡수 특징이 미약하기 때문에 실험실 분광 자료를 기준으로 한 초기 타당성 연구에서는 위성급 해상도로 대부분의 REE 노두를 식별하기 어렵고 항공 또는 드론 규모의 관측이 필요하다고 보았다(Neave et al., 2016). 그러나 EnMAP 위성 자료로 Mountain Pass의 Nd 흡수 특징을 연속체 제거와 곡선접합으로 추출해 30 m 해상도에서 이상 픽셀을 매핑한 최근 연구는 공간 해상도보다 분광 해상도가 더 중요함을 보여주었다(Asadzadeh et al., 2024). 드론 초분광 탐사도 활발하여, 나미비아 Marinkas Quellen과 핀란드 Siilinjärvi의 탄산염암에서 20~40 m 고도의 드론 관측으로 130~160 ppm 수준의 Nd까지 탐지할 수 있음이 ICP-MS로 검증되었다(Fig. 4; Booysen et al., 2020). Mountain Pass에서는 삼각대와 드론 초분광 카메라로 쇼시나이트보다 탄산염암에서 바스트네사이트 함량이 높음을 확인하였고(Qasim et al., 2024), 중국 남부 Liutang의 이온흡착형 광석에서는 실측 초분광 반사율의 1차 미분값에 역전파 신경망을 적용해 결정계수 0.98로 전체 REE 함량을 예측하였다(Cheng et al., 2023).
Fig. 4.
UAV-based hyperspectral mapping of REE (Nd) distribution at Marinkas Quellen, Namibia: (A) orthomosaic with validation points, (A.1) REE distribution map based on the 800 nm absorption feature, (A.2) comparison of handheld and UAV spectra, and (B) field photograph (reproduced from Booysen et al., 2020, under the CC BY 4.0 license).
기존 탐사 기법의 공통 한계
위에서 살펴본 기법들은 원리가 다르지만 공통된 한계를 갖는다. 전통적인 지질 매핑과 지구물리 조사는 인력과 장비가 많이 들고 식생이 우거진 지역에서는 실효성이 크게 떨어진다(Ye et al., 2025). 벌크 지구화학 분석은 정확하더라도 REE의 광물학적 산출 형태를 알려주지 못하고(Rasool et al., 2025), 하천 퇴적물 탐사는 농축계수가 큰 원소를 위해 발전해 온 탓에 REE처럼 미약한 이상을 배경값과 구분하는 통계기법이 충분히 정립되어 있지 않다(Han et al., 2023). 지구물리 탐사는 복잡한 암석 물성, 채굴 시설의 소음, 변형된 지형이 겹쳐 단일 기법으로 지하를 정밀하게 영상화하기 어렵고, 독립적인 제약 없이는 역산 해의 신뢰도를 확보하기 힘들다(Chen et al., 2025; Nagy and Eldosouky, 2026). 초분광 탐사는 REE 광물 함량이 낮거나 화소 내에서 다른 광물과 혼합되면 흡수 특징이 약해지고, 노두가 위성 공간해상도보다 작으면 탐지가 어렵다(Neave et al., 2016). 결국 어느 기법도 단독으로는 REE 광상의 복잡한 산출 형태를 충분히 규명하지 못하며, 종류와 해상도가 다른 자료를 하나의 탐사 모델로 통합하는 일 자체가 전통적 통계의 범위를 넘어선다. 다음 장에서 다룰 AI 기반 접근이 요구되는 지점이 바로 여기이다.
AI 기반 탐사를 위한 자료와 기법
머신러닝은 라벨이 있는 자료로 입력과 출력의 관계를 학습하는 지도학습과 라벨 없이 자료 내부 구조를 찾는 비지도학습으로 나뉘며, 다층 신경망을 쓰는 딥러닝은 두 방식 모두에 적용된다. 광물탐사에서는 지질·지구화학·지구물리·원격탐사 자료를 통합해 광화 가능성을 예측하는 자료과학적 접근이 빠르게 확산되고 있다(Yang et al., 2024).
탐사 자료의 종류와 특성
AI 기반 탐사에 쓰이는 자료는 지구화학, 지구물리, 원격탐사, 자동광물분석의 4개 범주로 나뉜다. 지구화학 자료는 원소 농도가 상대 비율로만 의미를 갖는 폐쇄합 제약을 가진 조성자료이므로 중심로그비(clr)나 등거리로그비(ilr) 변환이 표준적인 전처리이다(Bishop and Robbins, 2024). 지구물리 자료는 밀도, 자화율, 전기전도도, 탄성파 속도 같은 물성을 격자 형태로 제공하며 은폐 광상을 겨냥한 3차원 탐사의 핵심 입력이 된다(Lee and Moon, 2026). 원격탐사 자료 중 다중분광 위성 자료는 변질광물 매핑에, 초분광 자료는 2.4절에서 본 것처럼 REE 광물의 직접 식별에 쓰인다(Asadzadeh et al., 2024). 근접 초분광에서는 Bastnaesite Index 같은 분광지수로 탄산염암 내 바스트네사이트의 상대 함량을 매핑해 노두 규모의 채광 계획을 지원하는 수준에 이르렀다(Qasim et al., 2024). 자동광물분석 자료는 QEMSCAN이나 MLA로 얻는 입자 단위의 조성·조직 정보를 말하며, 시추코어 초분광 매핑과 X선 미세단층촬영 영상의 광물상 분할 등에 머신러닝이 널리 적용되고 있다(Jooshaki et al., 2021). μXRF 스캐너로 얻는 코어 표면의 연속 원소 분포도 실측 기준(ground-truth) 정보로 쓰인다(Lee and Moon, 2026). 4개 범주의 자료는 공간 해상도와 물리적 의미가 다르므로, 한 모델에 넣기 전에 지구화학 시료점은 크리깅 등으로 격자화하고(Feng et al., 2025) 모든 증거층을 같은 크기의 격자로 변환한 뒤 로지스틱 함수 등으로 값의 척도를 맞추어야 한다(Mami Khalifani et al., 2025).
자료 전처리와 통합
실제 탐사 자료에 AI를 적용하려면 결측치(Visser and Montsion, 2026), 클래스 불균형(Zuo, 2025), 공간 자기상관(Shaw et al., 2022)의 3가지 문제를 먼저 다루어야 한다. 지구화학 자료에는 검출한계 미만 값과 측정 누락이 흔한데, 단일 대체값으로 채우면 조성자료의 통계 구조가 왜곡된다(Visser and Montsion, 2026). 가법로그비 변환 후 가우시안 혼합모델과 몬테카를로 EM 알고리즘으로 결측·미만치를 확률분포로 대체하는 방법은 서남 Yilgarn 라테라이트 자료의 절반을 인위적으로 지운 경우에도 원래 분포를 안정적으로 복원하였다(Visser and Montsion, 2026). 다른 센서 자료로 결측 원소를 예측하기도 한다. 캐나다 McLeod 괴상황화물 광상의 시추코어 다중센서 자료에 무작위 숲을 적용해 Na 농도를 예측한 연구에서는 8,287건의 지구화학 데이터베이스로 검증했을 때 0.93~0.95의 상관을 보였지만, 학습 자료를 260건으로 줄이면 0.82~0.88, 다중센서 자료만 쓰면 0.66~0.75로 떨어졌다(Schnitzler et al., 2019). 학습 자료의 양과 질이 곧 예측 성능인 셈이다.
클래스 불균형은 광화 지점이 전체 지역에 비해 극히 드물다는 탐사 자료의 특성에서 비롯되며, REE나 리튬처럼 알려진 광상이 수십 개에 불과한 광종에서는 과적합과 함께 상시적인 위험이다(Lee and Moon, 2026). 무작위 과대표집이나 SMOTE 같은 증강 기법이 쓰이며, 인디애나 석탄층의 REY 잠재성 분류에 SMOTE를 적용한 SVM 모델은 95%의 정확도를 보였다(Chatterjee et al., 2022). 최근에는 라벨이 없는 지점을 무작위로 음성(비광화) 시료로 간주할 때 실제 광화 지점이 음성으로 뒤바뀌는 라벨 교차 문제에 주목해, 양성과 비라벨 자료만으로 학습하는 PU (positive-unlabeled) 학습이 음성 라벨링의 대안으로 쓰이고 있다(Hajihosseinlou et al., 2025; Zhang et al., 2025). 이란 Malayer-Esfahan 광화대의 MVT형 Pb-Zn 광화에서는 양성과 비라벨 시료에 서로 다른 가중치를 주는 가중 PU 학습이 준지도 RF보다 우수한 예측 성능을 보였고(Hajihosseinlou et al., 2025), 캐나다 흑연 부존잠재성 평가에서는 PU 학습으로 얻은 잠재성 점수로 음성 라벨을 반복적으로 재지정하는 재귀적 주석 기법이 라벨 교차를 줄여 딥 앙상블의 성능과 예측도의 공간 연속성을 높였다(Zhang et al., 2025). 공간 자기상관은 인접 지점의 값이 서로 비슷한 지구과학 자료의 속성으로, 이러한 의존 구조를 무시하고 무작위 교차검증을 쓰면 예측 오차가 크게 과소평가된다(Roberts et al., 2017). 코트디부아르의 콜럼바이트-탄탈라이트 사광상 탐사에서는 3,709개 시료의 자기상관을 모란지수로 먼저 평가한 뒤 유망지를 구분하였고(Shaw et al., 2022), 모델 검증에서는 과적합과 정보 누설을 줄이기 위해 학습·검증 자료를 지리적으로 분리된 블록으로 나누는 공간 블록 교차검증이 도입되고 있다(Roberts et al., 2017).
머신러닝 및 딥러닝 기법
주요 기법의 원리와 특징은 Table 1과 같다. 광물탐사 관련 머신러닝 문헌의 83%는 SVM, 무작위 숲(RF), 인공신경망(ANN) 같은 지도학습을 쓴다(Jooshaki et al., 2021). RF는 결측값과 비선형성, 이질적 변수에 강하고 변수 중요도를 산출할 수 있어 부존잠재성 평가의 기준 기법으로 자리잡았고(Breiman, 2001; Rodriguez-Galiano et al., 2015), SVM은 시료가 적고 입력 차원이 높은 초분광 암상 분류에 효과적이다(Cortes and Vapnik, 1995). XGBoost는 경사 부스팅 트리를 대규모 자료에 맞게 확장한 기법으로(Chen and Guestrin, 2016), RF·SVM과 함께 광상 탐사에서 가장 널리 쓰이는 지도학습 알고리즘의 하나이다(Lee et al., 2026). 기법 간 우열은 자료와 평가 지표에 따라 달라진다. 캐나다 뉴브런즈윅의 천열수 금 광화대에서 24개 증거층을 광물시스템 틀로 조직해 세 모델을 비교한 결과 AUC는 RF 0.93, SVM 0.92, XGBoost 0.91 순이었지만, 예측면적도 분석에서는 XGBoost가 공간 표적화에 가장 효율적이었다(Mami Khalifani et al., 2025). 인디애나 석탄층에서는 선형판별분석, SVM, RF, ANN 가운데 자료 균형화와 결합한 SVM이 가장 우수하였다(Chatterjee et al., 2022).
Table 1.
Machine learning and deep learning techniques applied to mineral exploration
| Category | Technique | Principle | Characteristics in mineral exploration | References |
| Supervised | Random forest (RF) | Ensemble voting of many decision trees | Robust to missing values, nonlinearity, and heterogeneous variables; provides variable importance; de facto baseline for MPM | Breiman (2001); Rodriguez-Galiano et al. (2015) |
| Supervised | Support vector machine (SVM) | Maximum-margin hyperplane classification | Effective for small, high-dimensional datasets; hyperspectral lithology and mineral classification | Cortes and Vapnik (1995); Muacanhia et al. (2025) |
| Supervised | XGBoost | Gradient-boosted tree ensemble | Widely used MPM classifier; AUC comparable to RF; most efficient spatial targeting | Chen and Guestrin (2016); Mami Khalifani et al. (2025) |
| Supervised | Artificial neural network (ANN) | Multilayer perceptron for nonlinear regression and classification | REE potential classification; hyperspectral inversion of REE content | Chatterjee et al. (2022); Cheng et al. (2023) |
| Unsupervised | Principal component analysis (PCA) | Orthogonal transformation of correlated variables | Extraction of element associations and lithological trends; dimensionality reduction | Rasool et al. (2025) |
| Unsupervised | k-means clustering | Distance-based partitioning | Clustering of geochemical samples and anomaly separation | Lee and Moon (2026) |
| Unsupervised | Self-organizing map (SOM, SOMML) | Nonlinear projection of high-dimensional data onto a low-dimensional grid | Automated geochemical anomaly extraction; improved interpretability with metric learning | Feng et al. (2025) |
| Deep learning | Convolutional neural network (CNN) | Spatial pattern learning via local receptive fields and weight sharing | Integration of gridded evidence layers; lithology and alteration classification; less suited to small datasets | LeCun et al. (2015); Muacanhia et al. (2025) |
| Deep learning | Autoencoder (VAE, CAE) | Reconstruction error from compression and reconstruction | Unsupervised multi-element geochemical anomaly detection | Xiong and Zuo (2016); Lee and Moon (2026) |
| Deep learning | Generative adversarial network (GAN) | Minimax game between generator and discriminator | Data augmentation and weak anomaly detection; mitigates data scarcity for REE deposits | Goodfellow et al. (2014); Lee and Moon (2026) |
| Deep learning | Transformer; graph neural network (GCN, GAT) | Self-attention; message passing on graph structures | Long-range dependencies; non-Euclidean relationships among geological units; heterogeneous data fusion | Zuo (2025); Lee and Moon (2026) |
비지도학습은 라벨 없이 자료의 통계 구조만으로 이상대를 찾는 방법으로 k-평균, 주성분분석(PCA), 자기조직화지도(SOM), 오토인코더가 대표적이다(Xiong and Zuo, 2016; Bishop and Robbins, 2024; Feng et al., 2025). PCA는 상관된 다수의 지구화학 변수를 소수의 주성분으로 바꾸어 원소 연관성과 암상·유체 상호작용의 경향을 드러내며(Rasool et al., 2025), SOM은 고차원 자료를 저차원 격자에 비선형 투영해 유사한 시료를 인접 뉴런으로 묶는다. 여기에 거리척도학습을 결합한 SOMML은 이상 뉴런과 주변 뉴런의 유사도를 정량화해 지구화학 이상대를 자동 추출하며, RF나 SVM보다 좁은 영역 안에 같은 수의 알려진 광화지점을 포함시켜 정확도와 해석 가능성을 함께 높였다(Feng et al., 2025).
딥러닝 중 합성곱신경망(CNN)은 국소수용장과 가중치 공유로 격자 자료의 공간 패턴을 학습하여 암상·변질대 분류에 널리 쓰이고(LeCun et al., 2015), 오토인코더는 압축-복원 과정의 재구성 오차로 이상치를 탐지한다(Xiong and Zuo, 2016). 생성적 적대신경망(GAN)은 생성자와 판별자의 경쟁을 통해 자료 증강과 미약한 이상 탐지에 활용된다(Goodfellow et al., 2014). 다만 딥러닝이 늘 우월한 것은 아니다. 중광물사 초분광 영상으로 모나자이트를 포함한 10종의 광물을 분류한 실험에서 CNN은 87.86%의 정확도로 SVM(97.07%)에 미치지 못했고 분광학적으로 비슷한 저어콘과 루틸을 자주 혼동하였다(Muacanhia et al., 2025). 학습 자료가 적을 때는 단순한 모델이 나을 수 있다는 뜻이다. 최근에는 자기주의 메커니즘으로 장거리 의존성을 포착하는 트랜스포머와, 그래프 구조 위에서 지질단위 간 관계를 표현하는 그래프신경망(GCN, GAT)이 CNN을 보완하는 구조로 주목받고 있다(Zuo, 2025).
모델 검증, 설명가능 AI 및 불확실성 정량화
예측 모델의 신뢰성은 검증, 해석, 불확실성 평가의 3단계로 확보된다. 검증은 앞서 언급한 공간 블록 교차검증으로 지리적으로 분리된 시험 구역에서 성능을 평가하고 궁극적으로 시추 결과로 확인하는 것이다. RF나 CNN 같은 모델은 예측 근거를 설명하기 어려운 블랙박스이므로 설명가능 인공지능(XAI) 기법이 빠르게 도입되고 있는데, 대표적인 SHAP은 게임이론의 섀플리 값에 기초해 각 변수의 기여도를 분해하여 전역적·국소적 해석을 함께 제공한다(Lundberg and Lee, 2017). 중국 칭하이성 Yemaquan 지구의 철광 부존잠재성 평가에서 CNN에 SHAP과 부분의존도그림을 결합한 모델은 AUC 0.88을 보였고, 겉보기 비저항이 가장 영향력 있는 변수로 나타나 열수 변질과 구조적 파쇄에 연관된 것으로 해석되었다(Fig. 5; Wang et al., 2026). 이러한 해석은 단층 근접도, 관입암 분포, 지구화학·지구물리 이상 등 증거층별 기여도를 수치로 보여주어 탐사 지질학자의 판단을 돕는다(Yang et al., 2024; Wang et al., 2026).
Fig. 5.
SHAP summary plot of the explainable CNN (Ex-CNN) model for iron ore prospectivity mapping in the Yemaquan district, Qinghai, China. Electrical anomalies denote medium–low apparent resistivity anomalies. (reproduced from Wang et al., 2026, under the CC BY 4.0 license).
예측값에 불확실성이 함께 제시되지 않는 것도 데이터 기반 평가의 약점이며, 베이지안 딥러닝과 앙상블 기법 등이 대안으로 제안되고 있다(Yang et al., 2024). 인디애나 석탄층에서는 부트스트랩 재표집으로 불확실성을 정량화해 일리노이 탄전 인디애나 구간의 약 29%가 90% 신뢰수준에서 경제적 REE 잠재성을 갖는 것으로 추정하였다(Chatterjee et al., 2024). 예측 확률과 불확실성을 함께 시각화하고, SHAP이나 어텐션 지도 같은 해석 결과를 근거로 지질학자가 최종 검토하는 인간개입형 절차가 바람직하다(Lee and Moon, 2026).
AI의 희토류 연구·탐사 응용
REE를 직접 대상으로 한 AI 연구는 최근 보고되기 시작했지만(Li et al., 2022; Luo et al., 2026) 다른 광종에 비해 아직 많지 않으므로, 이 장에서는 방법론적으로 참고할 만한 다른 광종의 사례도 함께 다룬다.
광물 부존잠재성 평가
광물 부존잠재성 평가(mineral prospectivity mapping; MPM)는 지질, 지구화학, 지구물리, 원격탐사 등 이질적인 증거층을 통합해 광화 가능성이 높은 지역을 확률적으로 예측하는 것으로, AI 응용의 중심 분야이다(Yang et al., 2024). 근원-경로-트랩의 광물시스템 틀 안에서 증거층을 조직하면 지질학적 타당성을 확보하기 쉽고(Mami Khalifani et al., 2025), 반암형 Cu-Mo 광화계에서는 ASTER· Sentinel-2 변질대 지도와 중력·자력 이상, 지구화학 자료를 RF, XGBoost, CNN으로 통합하는 방식이 일반적이다(Lee and Moon, 2026). 캐나다 북부의 조산형 금광상에서 3차원 CNN(VNet)으로 도출한 고확률 표적이 시추를 통해 6 g/t Au 품위의 광화대로 확인된 사례는 딥러닝 MPM의 실효성을 보여준 예이다(McMillan et al., 2021). 중국 스주위안(Shizhuyuan) 다금속 광상에서는 방사능·자력·전기전도도·저항-라돈 자료의 9개 지표를 5개 인자로 축약한 뒤 SVM, RF, XGBoost를 비교하고 SHAP 값으로 심부 은폐 광화작용의 해석 가능성을 높였다(Xu et al., 2025).
REE 광상은 알려진 광상 수가 극히 적어 MPM에 필요한 학습 자료가 부족하다. GAN으로 증강한 자료를 CNN에 학습시켜 풍화잔류형 REE 광상의 예측 정확도를 높인 연구가 그 대응 사례이며(Li et al., 2022), 자료 부족이 심한 리튬 광상에서는 희소 주성분분석과 적층 오토인코더를 결합해 지시원소 선택과 이상 인식을 동시에 수행하는 워크플로우가 제안되었다(Esmaeiloghli et al., 2024). 남호주 북부 Curnamona 지역에서는 소수의 알려진 REE 산출지와 다수의 비라벨 자료로 학습하는 준지도 이상탐지 모델(DevNet)로 지질·지구물리·지구화학·원격탐사·지형 자료를 통합해, 상위 2% 면적에 알려진 REE 광상의 86%를 포함하는 부존잠재성도를 작성하고, SHAP으로 방사능 신호, 자력 의사중력, 열수변질 지시자 등의 기여를 해석한 REE 특화 MPM 사례도 보고되었다(Luo et al., 2026). 캐나다·미국·호주에 걸친 퇴적암 호스트 Zn-Pb (MVT·CD형) 광상의 대륙 규모 데이터 기반 평가는 국가 단위 REE 잠재성 평가의 참고가 된다(Lawley et al., 2022). 여러 자료를 융합하면 단일 자료보다 정확도가 뚜렷이 높아지며, 융합은 특징수준, 모델수준 앙상블, 결정수준 가중평균으로 구분된다. CNN은 다중 채널 입력으로, 그래프신경망은 지질단위 그래프 위에서 이질적 자료를 통합하며, 2020년 이후에는 시추공 자료와 지구물리 역산 모델을 이용한 3차원 MPM과 열역학적 성인 모사를 결합한 4차원 MPM으로 확장되고 있다(Lee and Moon, 2026).
REE 광물·풍화대 식별 및 지구화학 이상대 탐지
REE 광물의 원격 식별은 2.4절에서 본 Mountain Pass의 위성·근접 초분광 사례(Asadzadeh et al., 2024; Qasim et al., 2024)와 중광물사에서 모나자이트가 Nd3+ 흡수 특징으로 안정적으로 식별된 사례(Muacanhia et al., 2025)가 대표적이며, Liutang 이온흡착형 광석의 함량 역산(Cheng et al., 2023)은 초분광 자료의 쓰임을 광물 식별에서 품위 추정으로 넓혔다.
풍화대 식별은 이온흡착형 광상이 열대·아열대의 장기 풍화로 만들어진다는 점에 착안해 위성 영상과 DEM 지형인자를 결합한다. 라오스 후아판주에서는 Landsat 9와 ASTER 영상의 밴드비·주성분분석으로 변질대와 유리한 지형 구역을 추출하고 고도, 경사, 기복진폭 등 6가지 지형 매개변수를 가중 중첩해 6곳의 유망지를 도출하였다(Fig. 6; Ye et al., 2025). Nongkhang 지역에서 시추로 확인한 19개 광체 가운데 16개가 예측 유망지 안에 있어, 식생이 밀생한 열대 환경에서도 이 접근이 유효함이 검증되었다(Ye et al., 2025). REE 대상 데이터 기반 표적화 중 시추 검증까지 이루어진 드문 예이다.
Fig. 6.
Prospective areas (b1–b6) for ion-adsorption REE deposits delineated by integrating remote sensing alteration anomalies, favorable geomorphological areas, and lithology in Houaphanh Province, Laos (reproduced from Ye et al., 2025, under the CC BY 4.0 license).
지구화학 이상대 탐지에서는 저밀도 하천 퇴적물 자료로 이온흡착형 광상의 예비 유망 구역을 설정할 때 광화 이상과 비광화 이상을 다변량 정보로 구분하는 것이 핵심이며(Han et al., 2023), 3.3절의 SOMML은 이를 자동화하면서 해석 가능성을 유지한 사례이다(Feng et al., 2025). 석탄층에서는 Al2O3, Fe2O3, 탄소, 회분, 황, 인 등 석탄 조성 지표를 입력으로 한 SVM 모델로 REE 잠재성이 높은 지점을 사전 선별해 정밀 조사를 효율화하였고(Chatterjee et al., 2022), 후속 연구에서 부트스트랩으로 불확실성까지 정량화하였다(Chatterjee et al., 2024). 석탄, 오일샌드, 인산염암을 포괄한 퇴적암 지구화학 자료에 비지도·지도학습을 함께 적용한 연구에서는 그래디언트 부스팅, AdaBoost, RF가 가장 우수하였고 Th와 P가 핵심 예측 변수로 확인되어 퇴적성 매체 전반에서 REE 지시자를 찾을 수 있는 가능성이 제시되었다(Bishop and Robbins, 2024).
광물 정량 및 품위·자원 모델링
광물 동정과 정량에서 머신러닝은 X선 미세단층촬영 영상의 광물상 분할과 광학현미경 영상의 광물 분류를 자동화해 처리 속도와 재현성을 높이며, 벌크 화학조성에서 정광 수율이나 광물 조성을 예측하는 모델도 개발되고 있다(Jooshaki et al., 2021).
품위·자원 모델링에서는 K-근접이웃(KNN)으로 Bayan Obo 탄산염암-REE 광상의 4,019개 암석 시료 밀도·자화율 자료에서 암상을 예측한 모델이 광체와 모암 분류에서 각각 97.7%와 90.9%의 정확도를 보였고, 이를 바탕으로 한 3차원 모델은 광화대가 동서 방향으로 발달하고 남쪽으로 경사지며 약 2,000 m 심도까지 이어짐을 보여주었다(Lu et al., 2026). 2.3절에서 언급한 물성 데이터베이스가 AI와 결합될 때 심부 자원 평가에 어떻게 기여할 수 있는지 보여주는 사례이다. 품위 추정에서 머신러닝과 지구통계를 비교한 연구로는 소규모 고품위 VMS 금광상의 약 15,000개 시추공 복합시료에 RF와 그래디언트 부스팅, 역거리가중법(IDW), 단순·정규 크리깅을 적용한 사례가 있다(Bağ et al., 2026). RF가 RMSE와 결정계수에서 가장 우수했지만, 품위-톤수 평가에서 IDW는 낮은 차단품위에서 가장 많은 톤수(Fig. 7)와 함유 금속량을 산출하였고, 중~고 차단품위에서는 정규 크리깅과 그래디언트 부스팅이 지질학적으로 더 합당한 값을 주었다(Bağ et al., 2026). 저자들은 머신러닝이 지질학적 도메인 제약, 적절한 모델 튜닝, 희박 구간의 과대추정을 막는 공간 필터링과 결합될 때 전통적 추정 기법을 보완할 수 있다고 보았다. 산출 형태가 복잡하고 품위가 불균질한 REE 광상의 자원 모델링에도 같은 원칙이 적용될 것이다. REE 품위를 직접 예측한 사례로, 중국 Weishan REE 광상의 시추코어 초분광 자료(5 cm 간격)에 1D CNN-BiLSTM 결합 모델을 적용해 총 희토류 산화물(TRE2O3) 함량을 연속 예측한 연구는 시험 자료에서 R2 0.89로 기존 머신러닝 모델보다 우수했고, SHAP으로 520, 580, 795, 1550 nm 부근의 Sm3+/Eu3+, Nd3+, Pr3+ 흡수 특성이 핵심 변수임을 밝혔으며, 무광으로 분류되었던 구간에서 중품위 REE 이상대 5개를 새로 찾아 광물 분석으로 확인하였다(Guo et al., 2026).
Fig. 7.
Tonnage–cutoff grade curves estimated by inverse distance weighting (IDW), simple kriging, ordinary kriging, random forest, and gradient boosting for a small VMS deposit (reproduced from Bağ et al., 2026, under the CC BY 4.0 license).
광상 유형별 적용 사례 비교
REE 대상 AI 응용 사례를 광상 유형별로 정리하면 Table 2와 같다. 탄산염암형에서는 물성 자료와 KNN을 결합한 3차원 모델링(Bayan Obo)과 위성·드론 초분광에 의한 광물 직접 탐지(Mountain Pass, Marinkas Quellen, Siilinjärvi)가 두드러지는데, 이 유형이 뚜렷한 물성 대비와 고농도 REE 광물 노출이라는 조건을 갖추었기 때문이다(Booysen et al., 2020; Asadzadeh et al., 2024; Qasim et al., 2024; Lu et al., 2026). 이온흡착형에서는 원격탐사와 지형인자의 결합이 우세하고 라오스 사례는 시추 검증까지 갖추었다(Ye et al., 2025). 사광형에서는 REE 광상은 아니지만 방법론적으로 참고할 만한 코트디부아르 Hana-Lobo의 콜럼바이트-탄탈라이트(Nb-Ta) 사광상에 RF와 KNN이 각각 0.69, 0.68의 교차검증 정확도로 SVM(0.63)을 앞섰고 중·고품위 광체 예측률이 90%에 달했으며(Shaw et al., 2022), 중광물사에서는 초분광 분류로 모나자이트를 식별할 수 있었다(Muacanhia et al., 2025). 석탄층과 퇴적암 같은 비전통 자원에서는 자료 증강과 불확실성 정량화, 지구화학 지시자 탐색이 중심이다(Chatterjee et al., 2022; Chatterjee et al., 2024; Bishop and Robbins, 2024).
Table 2.
Data-driven and AI-based studies on REE research and exploration by deposit type
| Deposit type | Area / target | Input data | Method | Validation and main results | Reference |
| Carbonatite | Bayan Obo, China | Density and magnetic susceptibility of 4,019 rock samples | KNN lithology classification; 3D modeling | 97.7% (ore) and 90.9% (host rock) accuracy; mineralization extended to ~2,000 m depth | Lu et al. (2026) |
| Carbonatite | Mountain Pass, USA | EnMAP hyperspectral satellite data | Continuum removal and curve fitting of Nd absorption features | Nd anomaly pixels mapped at 30 m resolution; spectral resolution more critical than spatial | Asadzadeh et al. (2024) |
| Carbonatite | Mountain Pass, USA | Tripod-and UAV-mounted hyperspectral cameras | Bastnaesite Index | Higher bastnaesite content in carbonatite than in shonkinite, verified by petrography and geochemistry | Qasim et al. (2024) |
| Carbonatite | Marinkas Quellen, Namibia; Siilinjärvi, Finland | UAV hyperspectral imaging (20–40 m altitude) | Nd absorption feature mapping | Detection of Nd as low as 130–160 ppm, verified by ICP-MS | Booysen et al. (2020) |
| Regolith-hosted | Southern Jiangxi, China | Multiple evidence layers | GAN data augmentation + CNN | Reduced data scarcity; improved prediction accuracy | Li et al. (2022) |
| Ion-adsorption | Houaphanh Province, Laos | Landsat 9, ASTER, and six ASTER GDEM terrain factors | Band ratios, PCA, weighted overlay | Six prospective areas; 16 of 19 drilled orebodies at Nongkhang within predicted zones | Ye et al. (2025) |
| Ion-adsorption | Liutang, South China | First derivative of measured hyperspectral reflectance (400–1,000 nm) | Back-propagation neural network | R2 = 0.98 for total REE content prediction | Cheng et al. (2023) |
|
Placer (columbite– tantalite) | Hana-Lobo, Côte d’Ivoire | 3,709 geochemical samples | Moran’s I + RF, KNN, SVM | CV accuracy RF 0.69, KNN 0.68, SVM 0.63; 90% prediction rate for medium-to high-grade ore | Shaw et al. (2022) |
| Placer (heavy mineral sands) | Ten minerals including monazite |
Hyperspectral imaging M (450–950 nm) | SVM, ANN, CNN | SVM 97.07%, CNN 87.86%; stable identification of monazite | Muacanhia et al. (2025) |
| Unconventional (coal) | Indiana, USA | Coal composition indices (Al2O3, Fe2O3, C, ash, S, P, trace metals) | SMOTE + SVM; bootstrap uncertainty quantification | 95% classification accuracy; ~29% of the basin area with economic potential at 90% confidence | Chatterjee et al. (2022, 2024) |
| Unconventional (sedimentary rocks) | Coal, oil sands, phosphorite | Geochemical data | PCA and clustering + gradient boosting, AdaBoost, RF | Th and P as key predictors; boosting and RF methods performed best | Bishop and Robbins (2024) |
정리하면 탄산염암형에서는 물성과 초분광 자료가, 풍화잔류형과 사광형에서는 지형 인자와 공간통계가, 비전통 자원에서는 자료 증강과 불확실성 정량화가 각각 중심 역할을 하여 광상 유형에 따라 유효한 AI 전략이 다르다. 동시에 Table 2는 REE 대상 AI 연구가 대부분 2020년 이후의 소수 사례에 머물러 있고 시추 검증이 드물며, 심해저 퇴적물이나 열수형·IOCG형처럼 AI 응용 보고가 드문 유형이 남아 있음을 보여준다.
국내 REE 부존 현황 및 연구 동향
이 절에서는 대한민국의 REE 광상 중 부존 현황이 알려진 홍천, 하동 회장암 풍화대, 충주 사례를 제시한다. 홍천 지역의 REE 광체는 폭 20–50 m이며 약 2 km에 걸쳐 나타나며, 주 REE 광물은 모나자이트로 조사되었고, 2.47% REE2O3를 함유하고 있다(Kim et al., 2016; Lee et al., 2025). 그중, Th의 함량은 0.25 wt.% 정도로 비교적 낮고, Th/U 비율은 2200 정도로 비정상적으로 높게 관찰되었다(Kim et al., 2022). 하동 회장암 풍화대의 반려암질 회장암은 평균 REE 함량 242 ppm을 포함한 섬록암질 페그마타이트에 의해 관입되어 있다(Jo and Shin, 2023). 또한, 하동 회장암 풍화대에서는 섬록암질 페그마타이트에 La, Ce가 풍부한 알라나이트(La2O3 11.02, Ce2O3 7.81, Nd2O3 1.56, Eu2O3 1.11, Y2O3 0.79), Ce이 많은 세라이트(Ce2O3 65.36)가 관찰되었다(Jo and Shin, 2023). 추가적으로, Er은 석영 근처의 산화철(Er2O3 2.90)에 포함되어 있고, Fe-Ti 광석에서는 제노타임(Y2O3 48.45, Dy2O3 4.17, Er2O3 3.46, Yb2O3 2.95, Gd2O3 1.17) 같은 Y가 풍부한 광물이 산출되었다(Jo and Shin, 2023). 충주에서는 니오븀(Nb2O5 = 1.2–2.3%), 이트륨(Y2O3 = 0.5–1.5%), 총 REE(REE2O3 = 1.07–2.7%)를 포함하는 알칼리 화강암이 두께 50-100 m, 길이 약 1.2 km로 나타난다(No and Park, 2019).
국내 REE 광상의 최근 연구는 구성 광물의 정밀 특성 규명, 성인 해석, 추출 가능성 평가로 나뉜다. 홍천에서는 탄산염암 기원 광화작용의 연대와 Nd-Sr 동위원소 연구(Kim et al., 2016)에 이어, 홍천 모나자이트가 Th 함량이 낮고 총 REE 함량이 높으면서 화학·산소동위원소 조성이 균질함이 확인되어 이차이온질량분석(SIMS) 산소동위원소 미소분석용 표준시료로 제시되었다(Kim et al., 2022). 또한 광상 하류의 홍천강 하상 모래를 자기·중력·정전 선별로 처리하여 자철석, 티탄철석, 모나자이트, 지르콘 정광을 분리하였고, 유용 중광물이 시료의 5.3 wt%를 차지함을 확인하였다(Lee et al., 2025). 이 모나자이트는 Ce이 풍부한 것과 Th가 풍부한 것의 2개 집단으로 구분되며 모두 LREE가 우세하고 제노타임에서는 HREE 함량이 높아, 홍천 지역에 또 다른 REE 모나자이트 공급원이 있을 가능성이 제기되었다(Lee et al., 2025). 하동에서는 풍화 회장암 복합체를 이온흡착형 REE 자원의 관점에서 평가하였다. 전암의 ΣREE는 반려암질 회장암 평균 18 ppm, 섬록암질 페그마타이트 242 ppm, Fe-Ti 광석 857 ppm 순으로 높아지고, 카올린 광물을 포함한 점토 분획에서는 각각 28 ppm, 304 ppm, 943 ppm으로 전암보다 더 농집되었다(Jo and Shin, 2023). 섬록암질 페그마타이트의 점토 분획에서는 염화암모늄 등 암모늄염 용액으로 교환성 REE의 최대 약 80%가 회수된 반면 카올린 광물이 부족한 Fe-Ti 광석의 점토 분획에서는 10% 미만만 회수되어, 모암의 REE 광물, 카올린 점토의 형성, 교환성 REE 추출률이 이온흡착형 자원 확보의 핵심 조건으로 제시되었다(Jo and Shin, 2023). 인접한 산청 섬장암에서는 모나자이트, 쉐프킨석, 세라이트 등 부성분 광물에 REE가 마그마 분화 과정에서 1차로 농집된 뒤, 풍화 과정의 흡착으로 점토 분획(<2 μm)의 TREO가 최대 약 2,300 ppm까지 2차로 농집되는 2단계 과정이 제안되었다(Jo, 2026).
충주에서는 알칼리 화강암 내 지르콘-알라나이트-자철석 밴드의 지르콘 206Pb/238U 연령이 331.1 ± 1.5 Ma, 알칼리 아플라이트의 연령이 334.5 ± 8.9 Ma로 측정되었다. 층상 조직과 지르콘의 침강 조직으로 보아 알칼리 암석의 Zr-Y-Nb-REE 광화작용은 알칼리 마그마의 분별정출과 중력 집적으로, 계명산층의 광화작용은 알칼리 마그마에서 유래한 열수 유체로 설명되었다(No and Park, 2019). 한편 계명산층의 알라나이트-석영-지르콘 맥에서는 지르콘 206Pb/238U 연령이 240.1-257.1 Ma(가중평균 247.9 ± 2.8 Ma)로 나타나, 후기 페름기-전기 트라이아스기 변성작용 동안 REE가 이동·재농집된 것으로 해석되었다(No and Park, 2020).
현재의 한계와 향후 전망
자료·라벨 부족, 해석성, 일반화 문제
지능형 광물탐사의 가장 큰 제약은 알려진 광상의 수가 극히 적다는 점이며, 이는 클래스 불균형, 과적합, 일반화 저하로 이어진다(Zuo, 2025). 연구 이력이 짧은 REE에서는 지질학적으로 비슷한 지역이라도 표본 수가 통계적 학습에 부족한 경우가 많다(Zuo, 2025). 자료 증강과 비지도학습이 공백을 일부 메우고 있지만, 증강된 자료는 결국 소수의 알려진 광상이 가진 특성을 되풀이 학습하는 것이어서 새로운 유형의 광상을 찾는 데는 한계가 있다.
두 번째는 딥러닝 모델의 블랙박스 특성이다. 어떤 지질 요인이 예측에 어떻게 기여했는지 알 수 없다면 탐사 지질학자가 실무 판단에 AI를 받아들이기 어렵다(Yang et al., 2024; Zuo, 2025). 세 번째는 일반화와 영역 전이의 어려움으로, 특정 표식지에 맞춰 보정된 광상 모델은 피복층 아래 은폐된 유사 광상에 잘 옮겨지지 않는다(Lee and Moon, 2026). 자료에만 기댄 모델은 지질학적으로 타당하지 않은 결과를 낼 수 있으며, 암석 물성으로 제약하지 않은 지구물리 역산 결과를 입력으로 쓰면 역산의 불량조건성까지 예측에 그대로 전파된다. 표준화된 평가 프로토콜과 공개 벤치마크의 부재, 그리고 첨단 AI 인프라가 소수의 국가와 기업에 편중된 반면 유망한 은폐 지대는 자료와 전문인력이 부족한 지역에 있는 경우가 많다는 형평성 문제도 지적된다(Lee and Moon, 2026). 이에 대응해 그래프 구조로 지질개체 간 관계를 표현하고 자기지도학습으로 라벨 부족을 보완하는 그래프-트랜스포머 모델, 광화작용 지식을 보상함수에 내재화한 그래프 강화학습 모델처럼 지질학적 지식을 AI 구조에 직접 결합하려는 시도가 이루어지고 있다(Zuo, 2025).
다중자료 융합, 물리 정보 기반 머신러닝, 파운데이션 모델
향후 연구는 다중자료 융합, 물리 정보 기반 머신러닝, 파운데이션 모델과 대형언어모델(LLM)의 3가지 방향으로 전개될 것으로 보인다(Lee and Moon, 2026). 다중자료 융합에서는 지질·지구화학·지구물리·시추코어 자료에 걸쳐 FAIR 원칙에 맞는 표준 스키마와 공통 메타데이터를 갖추어 프로젝트 간 교차 학습을 가능하게 하는 일이 우선 과제이다(Lee and Moon, 2026). 지구물리 분야의 제약 역산과 공동 역산, 영상 융합과 머신러닝을 이용한 다중 정보 융합(Chen et al., 2025)이 방법론적 토대가 되며, 드론 초분광(Booysen et al., 2020)이나 LIBS·휴대용 XRF 같은 현장 분석 자료(Rasool et al., 2025; Saputra et al., 2025)는 융합 대상 자료의 폭을 넓혀 줄 것이다.
물리 정보 기반 신경망(PINN)은 맥스웰 방정식이나 암석물리 관계식을 손실함수에 넣어 소규모 자료에서도 물리적으로 일관된 예측을 내므로, 순수 자료 기반 모델의 물리적 비일관성을 해결할 수단으로 평가된다(Lee and Moon, 2026). 알려진 광상이 적은 REE 탐사에서는 자료 대신 물리 법칙과 성인 모델이 제약 조건이 될 수 있다는 점에서 심부 지구물리 역산이나 4차원 MPM과 결합할 때 특히 유망하다.
파운데이션 모델과 LLM은 아직 지질 문헌의 핵심어 추출, 개체명 인식, 문서 분류 같은 보조 작업에 쓰이는 수준이다(Lee and Moon, 2026). LLaMA-7B를 약 55억 토큰의 지구과학 문헌으로 추가 학습하고 전용 벤치마크로 평가한 K2 모델이 지구과학 지식 이해가 향상됨을 보인 초기 사례이지만(Deng et al., 2024), 비정형 탐사보고서에서 MPM 증거층을 자동 추출하는 것 같은 응용은 개념 증명 단계에 머물러 있다(Lee and Moon, 2026). 지구과학 전용 사전학습 모델, 도메인 적응, 검색증강생성에 의한 지질지식 근거화가 그 다음 단계로 거론되며, 수십 년간 쌓인 REE 탐사보고서와 지질도, 시추 기록을 학습 가능한 형태로 바꿀 수 있다면 라벨 부족을 완화하는 새로운 자료원이 될 것이다. 요컨대 자료 표준화, 검증 프로토콜, 불확실성 정량화, 전문가 검증, 공개 벤치마크의 5개 축을 갖추면서 데이터 기반 접근과 지질학적 전문지식을 결합하는 방향으로 나아갈 것으로 전망된다(Zuo, 2025; Lee and Moon, 2026).
결 론
본 해설에서는 REE 광상의 지질·광물학적 배경과 기존 탐사 기법의 한계를 정리한 뒤 AI 기반 탐사의 자료와 기법, 그리고 REE 연구·탐사에 적용된 사례를 광상 유형별로 비교하였다. 지난 10여 년간 AI 기반 광물탐사는 이질적 자료를 통합하는 방향으로 발전했고, 기법도 RF, XGBoost, SVM 같은 지도학습과 PCA, SOM, 오토인코더 기반 비지도 이상탐지에 더해 CNN, GAN, 트랜스포머, 그래프신경망으로 확장되었다(Breiman, 2001; Goodfellow et al., 2014; Yang et al., 2024). REE 분야에서는 알려진 광상이 적다는 제약 때문에 GAN 기반 증강, SMOTE 균형화, 부트스트랩 불확실성 정량화처럼 자료 부족을 보완하는 기법이 상대적으로 활발히 적용되었다(Chatterjee et al., 2022; Li et al., 2022; Chatterjee et al., 2024).
탄산염암형에서는 물성과 초분광 자료가, 풍화잔류형과 사광형에서는 지형 인자와 공간통계가, 비전통 자원에서는 자료 증강과 불확실성 정량화가 중심 역할을 하여 광상 유형별로 유효한 전략이 다름이 확인되었다(Shaw et al., 2022; Ye et al., 2025; Lu et al., 2026). 모델 검증, 설명가능 AI, 불확실성 정량화는 실무 신뢰성 확보를 위한 필수 절차로 자리잡았고 SHAP 같은 해석 도구를 이용한 인간개입형 검토가 권장된다(Wang et al., 2026; Lee and Moon, 2026). 그럼에도 자료·라벨 부족, 해석성 부족, 일반화의 어려움은 여전히 핵심 과제이다(Zuo, 2025).
AI는 지질학자의 전문지식을 대체하는 것이 아니라 이질적 자료를 통합하고 미약한 이상을 포착하며 예측의 불확실성을 수치화함으로써 탐사 판단을 보강하는 도구이다. 편중된 공급 구조를 완화하기 위해 다양한 지역과 광상 유형에서 REE 탐사가 확대되어야 하는 지금, 자료 표준화와 검증 절차를 갖춘 AI 기반 탐사는 탐사 효율을 높이고 자료가 희소한 비전통 자원의 잠재성을 평가하는 실질적 수단이 될 것이다.
