Начиная с дефицитного лития в батареях наших электромобилей до широко распространенного железа, используемого для строительства новых зданий, мы постоянно полагаемся на полезные ископаемые, спрятанные по всей Земле. Поиск этих полезных ископаемых — ресурсоемкий процесс, часто включающий спутниковые снимки, геохимические исследования и информацию, полученную в ходе прошлых проектов по добыче полезных ископаемых. Хотя шахтерам иногда удается сорвать джек-пот, но обычно обнаружить в нужный момент экономически выгодное месторождение полезных ископаемых не всегда просто. В связи с этим ученые решили обратиться к искусственному интеллекту, чтобы повысить свои шансы.
Научные сотрудники Университета Нотр-Дам, Аризонского университета и Научного института Карнеги разработали ИИ-модель, которая анализирует минералогические данные для прогнозирования местонахождения редких или полезных минералов. Модель основана на информации из базы данных Mineral Evolution Database, в которой содержится информация о 5477 уникальных типах минералов и 295 583 местах обнаружения. Как пишет команда в своей статье для PNAS Nexus, огромный объем этих данных — в сочетании со «сложностью и присущей «беспорядочностью» переплетенных геологических, химических и биологических систем нашей планеты» — делает чрезвычайно трудным для человека поиск месторождений полезных ископаемых с помощью базы данных Mineral Evolution Database.
Но искусственный интеллект обладает уникальными возможностями для быстрой оценки этих данных. Секретным инструментом модели является ассоциативный анализ, который предполагает поиск закономерностей в огромных массивах данных. Соединяя базу данных Mineral Evolution с информацией о тектонике плит, окислении земной атмосферы, эволюции геосферы и других периферийных явлениях, модель определяет, где могут быть обнаружены запасы минералов, и примерно, сколько минералов может быть там скрыто.
Монацит, минерал, используемый в строительстве и литье, был одним из минералов, «обнаруженных» с помощью этой модели ИИ.
Ученые протестировали свою модель в октябре 2020 года, запросив местонахождение резерфордина, андерсонита, шрёкингерита, бейлеита и зиппеита (да, такие минералы существуют на самом деле). Для эффективности они устанавливают параметры, в которых будут показаны только прогнозы с уровнем «достоверности» 70% или выше. Модель выдала четыре предполагаемых месторождения резерфордина, одно из которых впоследствии подтвердилось в Италии; одно для андерсонита, которое еще не подтверждено; одно для шрёкингерита, которое подтвердилось в Колорадо; два для бейлеита, оба месторождения в Юте, о которых ранее было известно; и семь для зиппеита, одно из которых подтвердилось в Чехии. (Как и в случае с бейлеитом, четыре из предсказанных местонахождений зиппеита уже прогнозировались археологами ранее.)
Другой тест, посвященный исключительно редкоземельным элементам (РЗЭ), предсказал местонахождение монацита, алланита и сподумена, которые используются в строительстве, радиационных исследованиях и батареях. Из 15 прогнозов подтвердились 12 местонахождений монацита; подтверждено 13 местонахождений алланитов из 19; подтверждено одно из 12 местонахождений сподумена.
Считается, что эта модель может быть использована и на других планетах. Используя данные, которые мы получили о геологической и астробиологической истории Луны или Марса, модель может когда-нибудь помочь определить местонахождение полезных ископаемых по всей Солнечной системе.
