استفاده دانشمندان از هوش مصنوعی برای یافتن مواد کمیاب
یک مدل جدید یادگیری ماشین از طریق استفاده از الگوهایی در پیوندهای معدنی می‌تواند موقعیت مواد معدنی را در زمین و احتمالا در سیارات دیگر پیش بینی کند.
سای تک دیلی»، این پیشرفت از اهمیت و ارزش زیادی برای علم و صنعت برخوردار است چرا که آنها بطور پیوسته در جست و جو برای یافتن ذخایر معدنی به منظور کشف تاریخ سیاره زمین و همچنین استفاده از منابع برای کاربردهای عملی مانند باتری‌های قابل شارژ هستند.
یک تیم تحقیقاتی به سرپرستی «شونا موریسون» و «انیروت پرابو» درصدد ابداع شیوه‌ای برای شناسایی #مواد_معدنی خاص برآمدند؛ هدفی که بطور سنتی و از دیرباز به عنوان یک هنر در کنار جنبه علمی آن درنظرگرفته شده است. این فرایند اغلب بر تجربیات منفرد در کنار مقدار متنابهی از بخت و اقبال متکی بوده است.
این #تیم_تحقیقاتی یک مدل #یادگیری_ماشین ایجاد کرد که از داده‌های «پایگاه داده تکامل معدنی» استفاده می‌کند؛ پایگاه داده‌ای که دربردارنده ۲۹۵ هزار و ۵۸۳ موقعیت مکانی و ۵ هزار و ۴۷۸ گونه از مواد معدنی است. این مدل از داده‌های موجود برای پیش بینی موارد جدید اکتشاف معدنی بر اساس قواعد پیوند مواد معدنی (association rules) استفاده می‌کند.
این محققان مدل خود را با #کاوش در حوضه «تکوپا» (Tecopa) در منطقه «صحرای موجاوی» یک محیط شناخته شده #آنالوگ مریخی (دانشمندان بر این باورند که این صحرا در جنوب غربی آمریکا شرایطی مشابه مریخ دارد) آزمایش کردند. این مدل همچنین قادر به پیش بینی موقعیت مواد معدنی دارای اهمیت از لحاظ #زمین‌شناختی از جمله اورانیت، روترفردین (rutherfordine)، اندرسونیت (andersonite) و #شروکینگریت (schröckingerite) بود.
#مدل_یادگیری_ماشین ابداعی همچنین موقعیت‌های مکانی امیدوارکننده‌ای برای اکتشاف عناصر کمیاب زمینی و مواد معدنی لیتیوم از جمله مونازیت، آلانیت و اسپودومین را مشخص کرد. تحلیل پیوندهای معدنی می‌تواند یک عامل نیرومند برای پیش بینی برای کارشناسان مواد معدنی یا مینرالوژیست‌ها و همچنین برای کارشناسان نفتی (پترولوژیست)، زمین‌شناسان و #دانشمندان_علوم_.زمین باشد
