Een machine learning-model kan de locaties van mineralen op aarde – en mogelijk andere planeten – voorspellen door gebruik te maken van patronen in minerale associaties. Wetenschap en industrie zoeken naar minerale afzettingen om zowel een beter begrip van de geschiedenis van onze planeet te krijgen als om ze te winnen voor gebruik in technologieën zoals oplaadbare batterijen.
Shaunna Morrison, Anirudh Prabhu en hun collega’s wilden een instrument creëren om specifieke mineralen te vinden, een taak die al lang zowel een kunst als een wetenschap is, gebaseerd op individuele ervaring en een flinke dosis geluk. Het team ontwikkelde een machine learning-model dat gebruikmaakt van gegevens uit de Mineral Evolution Database, die 295.583 mineralocaties van 5.478 mineraalsoorten bevat, om eerder onbekende mineralenvondsten te voorspellen op basis van associatieregels.
De auteurs testten hun model door de Tecopa Basin in de Mojave Woestijn te verkennen, een bekende omgeving die als analogie voor Mars wordt gebruikt. Het model slaagde er ook in om de locaties van geologisch belangrijke mineralen te voorspellen, waaronder uraninietalteratie, rutherfordine, andersoniet en schröckingerite, bayleyiet en zippeiet.
Bovendien lokaliseerde het model veelbelovende gebieden voor kritieke zeldzame-aardelementen en lithiummineralen, waaronder monaziet-(Ce), allaniet-(Ce) en spodumeen. Mineralenassociatieanalyse kan volgens de auteurs een krachtig voorspellend instrument zijn voor mineralogen, petrologen, economisch geologen en planetair wetenschappers.
De bevindingen van dit onderzoek hebben aanzienlijke implicaties voor zowel de wetenschap als de industrie. Het traditionele proces van het vinden van mineralen is altijd afhankelijk geweest van de ervaring en intuïtie van experts, met een element van toeval. De introductie van machine learning en AI in dit domein opent nieuwe mogelijkheden en vergroot de efficiëntie van het identificeren van belangrijke mineralen.
Het gebruik van AI stelt onderzoekers en geologen in staat om sneller en nauwkeuriger potentiële mineralenvoorraden te lokaliseren. Dit heeft directe voordelen voor mijnbouwbedrijven die op zoek zijn naar nieuwe bronnen van zeldzame mineralen, evenals voor wetenschappers die geïnteresseerd zijn in de geologische geschiedenis van onze planeet en de mogelijkheden voor mijnbouw op andere hemellichamen.
Het onderzoeksteam benadrukt echter dat hoewel de machine learning-aanpak veelbelovend is, het nog steeds essentieel is om de voorspellingen te valideren met veldonderzoek en monsteranalyse. Het model kan als een waardevol hulpmiddel dienen bij het bepalen van potentiële locaties, maar de definitieve bevestiging vereist grondige exploratie ter plaatse.
Photo: Robert Lavinsky
