Maskinlæring kan revolutionere mineraludforskning

Det 21. århundredes teknologier, inklusive dem, der er centrale for en fremtid med lavt kulstofindhold, er afhængige af sjældne jordarters grundstoffer og metaller. Mange af disse eftertragtede mineraler findes i porfyrkobberaflejringer, der indeholder hundredvis af millioner af metriske tons malm. Ud over kobber er disse aflejringer en kilde til betydelige mængder guld, molybdæn og rhenium. Imidlertid har mineindustrien identificeret og udvundet de fleste af verdens store og tilgængelige porfyrforekomster. På trods af voksende investeringer i mineralefterforskning er opdagelsesraten for mineralforekomster faldende.

I en undersøgelse for nylig offentliggjort i Journal of Geophysical Research:Solid Earth Zou et al. præsentere to nye maskinlæringsteknikker til at identificere nye, dybt begravede porfyrkobberaflejringer ved at karakterisere magma frugtbarhed. Frugtbar magma refererer til magmaer, der kan danne porfyraflejringer. Ufrugtbare magmaer derimod vil sandsynligvis ikke udvikle rige malme. Forfatterne havde til formål at forbedre traditionelle geokemiske indikatorer plaget af høje falsk-positive rater.

Forfatterne udviklede to algoritmer, tilfældig skov og dybt neuralt netværk. De formulerede modellerne ved hjælp af et globalt datasæt af zirkonkemi, som bruges til at evaluere porfyrkobberaflejringerne i magma. Forfatterne fokuserede modellerne på 15 sporstoffer. De validerede modellerne med uafhængige datasæt fra to velkarakteriserede porfyrkobberforekomster i det sydlige centrale British Columbia, Canada og Tibet, Kina.

Begge modeller resulterede i en klassificeringsnøjagtighed på 90 % eller mere. Den tilfældige skovmodel udviste en falsk-positiv rate på 10%, hvorimod den dybe neurale netværksmodel havde en 15% falsk-positiv rate. Til sammenligning rapporterer traditionelle målinger falske positiver med en sats på 23-66 %.

Europium, yttrium, neodym, cerium og andre elementer dukkede op som væsentlige indikatorer for magma-frugtbarhed. Modellernes præstationer indikerer, at algoritmerne kan skelne mellem frugtbare og golde magmaer ved hjælp af sporstofforhold. Navnlig var modellens ydeevne ikke påvirket af regionale forskelle eller de geologiske omgivelser mellem evalueringsdatasættene fra Canada og Kina.

Efterhånden som efterspørgslen efter sjældne jordarters grundstoffer, mineraler og metaller stiger, kræves der nye teknikker for at opdage hidtil ukendte aflejringer. Ifølge forskerne fremhæver resultaterne maskinlærings løfte som en robust, nøjagtig og effektiv tilgang til at identificere og lokalisere porfyrkobberressourcer. + Udforsk yderligere

Undersøgelse afslører petrogenese af porfyrkobberaflejringer i det sydlige Tibet

Denne historie er genudgivet med tilladelse fra Eos, der er vært for American Geophysical Union. Læs den originale historie her.