Mit KI seltene Mineralien finden

Jul 02, 2023

Ein Modell für maschinelles Lernen kann die Standorte von Mineralien auf der Erde – und möglicherweise auch auf anderen Planeten – vorhersagen, indem es Muster in Mineralassoziationen ausnutzt. Wissenschaft und Industrie suchen nach Mineralvorkommen, um die Geschichte unseres Planeten besser zu verstehen und sie für den Einsatz in Technologien wie wiederaufladbaren Batterien zu gewinnen. Shaunna Morrison, Anirudh Prabhu und Kollegen versuchten, ein Werkzeug zum Auffinden bestimmter Mineralien zu entwickeln, eine Aufgabe, die seit langem sowohl eine Kunst als auch eine Wissenschaft ist und auf individueller Erfahrung und einer gesunden Portion Glück beruht. Das Team erstellte ein maschinelles Lernmodell, das Daten aus der Mineral Evolution Database nutzt, die 295.583 Mineralstandorte von 5.478 Mineralarten umfasst, um bisher unbekannte Mineralvorkommen auf der Grundlage von Assoziationsregeln vorherzusagen.

Die Autoren testeten ihr Modell, indem sie das Tecopa-Becken in der Mojave-Wüste erkundeten, eine bekannte Mars-Analogumgebung. Das Modell war auch in der Lage, die Standorte geologisch wichtiger Mineralien vorherzusagen, darunter Uraninit-Alteration, Rutherfordin, Andersonit sowie Schröckingerit, Bayleyit und Zippeit. Darüber hinaus lokalisierte das Modell vielversprechende Gebiete für kritische Seltenerdelemente und Lithiummineralien, darunter Monazit (Ce), Allanit (Ce) und Spodumen. Den Autoren zufolge kann die Mineralassoziationsanalyse ein leistungsstarkes Prognoseinstrument für Mineralogen, Petrologen, Wirtschaftsgeologen und Planetenforscher sein.

– Diese Pressemitteilung wurde von PNAS Nexus bereitgestellt