Модель машинного обучения может предсказать местонахождение полезных ископаемых на Земле и, возможно, на других планетах, используя закономерности в минеральных ассоциациях. Наука и промышленность ищут месторождения полезных ископаемых, чтобы лучше понять историю нашей планеты и добывать их для использования в таких технологиях, как перезаряжаемые батареи. Шонна Моррисон, Анирудх Прабху и их коллеги стремились создать инструмент для обнаружения месторождений конкретных минералов, задача, которая долгое время была не только искусством, но и наукой, полагаясь на личный опыт, а также на здоровую дозу удачи.
|
Команда создала модель машинного обучения, которая использует данные из базы данных Mineral Evolution Database, которая включает 295 583 местонахождения минералов 5478 видов минералов, для прогнозирования ранее неизвестных месторождений полезных ископаемых на основе правил ассоциации. Авторы проверили свою модель, исследуя бассейн Текопа в пустыне Мохаве, известный аналог Марса. Модель также смогла предсказать местонахождение геологически важных минералов, включая уранинитовые изменения, резерфордин, андерсонит и шрекингерит, бейлеит и зиппеит. Кроме того, модель определила перспективные области для критически важных минералов редкоземельных элементов и лития, включая монацит-(Ce), алланит-(Ce) и сподумен. По мнению авторов, анализ минеральных ассоциаций может быть мощным прогностическим инструментом для минералогов, петрологов, экономистов-геологов и планетологов. Статья опубликована в журнале PNAS Nexus.
|