개념 네트워크 역학을 통한 과학적 돌파구의 설명 가능한 예측

우리는 OpenAlex 개념 네트워크가 시간이 지남에 따라 어떻게 진화하는지를 모델링함으로써, 과학적 돌파구(scientific breakthroughs)의 구조적 전조인 '연구 개념 간 연결의 출현 및 강화'를 예측하는 설명 가능한 머신러닝 (machine-learning) 접근 방식을 소개합니다. 59개의 의미론적 및 위상적 특징 (semantic and topological features)을 사용하여, 2단계 LightGBM 모델은 개념 쌍의 형성(formation)과 미래 가중치(future weight)를 공동으로 예측하며, 기존의 연결 존재 예측에 예상 강도를 정량화하는 회귀 (regression) 단계를 추가합니다. 최신 기술 (state of the art)과 비교했을 때, 이 접근 방식은 정확도와 설명 가능성을 동시에 향상시킵니다. 네 가지 기술 및 생물 의학 분야에 걸친 비교 검증 결과, 재조정(re-tuning) 없이도 모든 예측 기간에서 [0.954, 0.967] 범위의 ROC-AUC를 기록하여 기존 모델의 약 0.90을 상회하였으며, 모든 예측은 불투명한 임베딩 (embeddings) 대신 구조적이고 감사 가능한 특징 (auditable features)에 기반합니다. 분류 성능은 높으며 (AUC 약 0.95), 회귀는 안정적으로 유지됩니다 (15년에 걸쳐 RMSLE 0.450.6). 특징 기여도 (Feature attribution) 분석 결과, 구조적 요인, 특히 Adamic-Adar 유사도와 차수 기반 하다마르 측정치 (degree-based Hadamard measures)가 일관되게 정확도를 견인하는 것으로 나타났으며, 이는 돌파구와 관련된 재조합 (recombinations)이 긴밀하게 연결된 하위 네트워크 (sub-networks)에서 발생함을 시사합니다. 전문가의 분석을 바탕으로 한 두 가지 사례인 양자 어닐링 (quantum annealing)과 AI 기반 양자 아키텍처 (AI-enabled quantum architectures)는 모델이 전문가의 기대와 일치하는 기술적 수렴 (technological convergence)을 드러냄을 보여줍니다. 마지막으로, 우리는 이러한 예측을 오픈 데이터와 설명 가능한 특징에 기반한 증거 기반 연구 전략 및 정책으로 전환하는 3계층 의사결정 아키텍처 — 탐지 (detection), 전문가 번역 (expert translation), 기관 통합 (institutional integration) — 를 개괄합니다.