핵 확산 증대 위험의 조기 탐지는 근본적으로 내재된 희소성과 은밀성 때문에 본질적으로 어렵다. 본 연구는 역사적 데이터를 기반으로 이산적인 확산 단계들을 0부터 1까지의 연속형 위험 점수로 변환함으로써, 데이터 기반 조기 경보 모델을 조사한다. 이 모델은 1939-2012년 기간 동안 148개 국가에 대해 정치·경제 변수 및 HS 코드(HS-code) 무역 변수를 사용한다. 모델의 아키텍처는 (i) Bleek 및 Narang 분류체계에 기반하여 매년 단계 점수를 추적하기 위해 롤링 윈도우에서 지도학습 회귀(LightGBM 회귀기)를 적용하고, (ii) Isolation Forests를 통한 비지도학습으로 잔차 이상치를 탐지하며, (iii) 메타 분류기에서 이들 신호를 결합하여 해석 가능한 연도별 경보 확률을 생성한다. 최종 모델은 사건-F1 점수 0.65 및 ROC-AUC 0.99를 달성하였고, 역사적 확산 사건에 대해 평균 경보 선행시간은 +1.14년이다. SHAP 분석을 통해 입력 변수가 예측에 기여하는 정도를 정량화한 결과, 1995년 이후 확산 동인(drivers)이 우라늄 원심분리기와 관련된 무역 패턴으로 전환된 양상이 나타난다. 이는 글로벌 공급망의 확대된 역할을 검토할 필요성을 시사한다. 설명가능한 트리 기반 앙상블 기계학습 기법에 기반한 본 시스템 모델은 ‘블랙박스’ 딥러닝에 대한, 투명하고 선행시간이 양(+)인 대안을 제공하며, 다중 양식 AI와 동적 데이터 스트림을 조기 경보 도구에 통합하기 위한 방법론을 개발할 가능성을 제시한다. 비확산(nonproliferation) 정보에 대한 지원을 목적으로 한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.