Theo cách tiếp cận này, huỳnh quang tia X (XRF) là một công cụ rất hữu ích để đánh giá định tính và định lượng các khoáng chất quý hiếm.
Tuy nhiên, khoáng sản và vị trí hình thành khoáng sản thường khó dự đoán do đặc điểm phức tạp của tự nhiên với các hệ thống địa chất, hóa học và sinh học đan xen.
Các nhà nghiên cứu đang tiếp tục tìm kiếm các công nghệ mới có thể dễ dàng xác định vị trí các mỏ khoáng sản, đồng thời sử dụng chúng để hiểu lịch sử hành tinh của chúng ta và giúp đáp ứng nhu cầu của các ngành công nghiệp.
Nhà khoáng vật học Shaunna Morrison và nhà khoa học địa tin học Anirudh Prabhu đã phát triển một mô hình học máy dựa trên trí tuệ nhân tạo (AI) có khả năng tìm thấy sự xuất hiện của các khoáng chất cụ thể.
Cùng với các đồng nghiệp nghiên cứu của họ, nhóm đã tạo ra công cụ này bằng cách sử dụng dữ liệu từ Cơ sở dữ liệu tiến hóa khoáng sản để dự đoán sự xuất hiện của khoáng sản mà trước đây chưa được biết đến.
Cơ sở dữ liệu bao gồm 295.583 vị trí của 5.478 hợp chất khoáng, trong khi mô hình đã tận dụng các mẫu dựa trên các quy tắc kết hợp. Những mô hình này là kết quả của lịch sử tiến hóa đầy năng động của Trái đất.
Để kiểm tra tính hiệu quả của mô hình dựa trên AI của họ, các nhà nghiên cứu đã khám phá lưu vực Tecopa ở sa mạc Mojave ở miền đông California. Sự hình thành địa chất Pleistocen này được biết là có điều kiện địa lý tương tự sao Hỏa.
Khi kết thúc quá trình khám phá, mô hình học máy có thể dự đoán nguồn gốc của các khoáng chất quan trọng như rutherfordine, bayleyite và zippeite. Nó cũng định vị các mỏ của các nguyên tố đất hiếm quan trọng như monazite-(Ce), allanite-(Ce) và spodumene.
Kết quả của nghiên cứu chứng minh tính hiệu quả của phân tích liên kết khoáng sản như một công cụ dự đoán có khả năng mang lại lợi ích cho các nhà khoáng vật học, nhà địa chất kinh tế và nhà khoa học hành tinh.
Các nhà nghiên cứu hi vọng rằng phân tích liên kết khoáng sản sẽ cung cấp hiểu biết về quá trình khoáng hóa trên Trái đất và các môi trường khoáng hóa trên khắp Hệ Mặt trời.
27°C
|
