HyperAI超神经

Inhalte im Überblick:Mineralien stellen wichtige Rohstoffe für technologische Gesellschaften dar und sind der einzige Beweis für viele geologische Ereignisse und alte Umweltbedingungen. Die Suche nach Bodenschätzen und die Grundlagen ihrer Entstehung und Verbreitung sind seit Jahrhunderten die Hauptthemen der Geologie. Kürzlich veröffentlichte PNAS Nexus, eine Tochterzeitschrift der Proceedings of the National Academy of Sciences of the United States, ein Forschungsergebnis, bei dem mithilfe eines maschinellen Lernmodells durch Mineralassoziationsanalyse der Standort und die Art neuer Mineralvorkommen vorhergesagt wurde.

Schlüsselwörter:Korrelationsanalyse durch maschinelles Lernen zur Mineralexploration

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~

Mineralien entstanden vor Milliarden von Jahren und spielten eine entscheidende Rolle bei der Evolution des Lebens. Obwohl es in der heutigen Geologiebranche zahlreiche Explorationstechnologien gibt, sind die Bodenschätze verborgen und unsicher.Der Prozess der Mineralienexploration ist sehr mühsam.Gleichzeitig ist das Unternehmen mit zahlreichen Herausforderungen konfrontiert, beispielsweise hohen Risiken, langen Investitionszyklen und einer geringen Erfolgsquote bei der Mineralexploration.

In früheren Studien haben Wissenschaftler festgestellt, dass mehr als 5.000 Mineralien auf der Erde nicht zufällig verteilt sind.Viele existieren in symbiotischen Beziehungen (Paragenese).Bei der sogenannten Symbiose handelt es sich um eine Mineralverbindung, die unter bestimmten physikalischen und chemischen Gesetzen entsteht. Beispielsweise hängt die Bildung von Mineralen eng mit der chemischen Zusammensetzung und den Umweltbedingungen des Wirtsgesteins zusammen.

Kürzlich nutzten Morrison Shaunna M von der Carnegie Institution for Science in Washington zusammen mit Prabhu Anirudh und anderen von der University of Arizona maschinelles Lernen, um die Regeln der Mineralkombination zu entdecken und so den Standort von Mineralien vorherzusagen. Die Forschungsergebnisse wurden in der Fachzeitschrift PNAS Nexus veröffentlicht.Der Titel lautet „Vorhersage neuer Mineralvorkommen und planetarer Analogumgebungen durch Mineralassoziationsanalyse“.

Die Forschungsergebnisse wurden veröffentlicht inPNAS Nexus"Vorgesetzter

Papieradresse:

https://academic.oup.com/pnasnexus/article/2/5/pgad110/7163824?login=true

Experimentübersicht

Die Forscher entwickelten ein maschinelles Lernmodell zur Vorhersage von Mineralstandorten auf Grundlage von Assoziationsregeln unter Verwendung von Daten aus der Mineral Evolution Database und testeten das Modell im Tecopa-Becken, einer bekannten Mars-Analogumgebung. Experimentelle Ergebnisse zeigen, dass maschinelles Lernen den Standort, die Art und die Menge von Mineralien effektiv vorhersagen kann.

Die Assoziationsanalyse ist eine Methode des maschinellen Lernens.Wird verwendet, um Assoziationsregeln und Muster in Datensätzen zu erkennen.Es deckt die Korrelation und Abhängigkeit zwischen verschiedenen Objektsätzen auf, indem es die Verbindung zwischen Objektsätzen in den Daten analysiert.

Die Autoren weisen darauf hin, dass sich mit der Analyse der Mineralzusammensetzung bei Vorliegen der richtigen Daten nicht nur der Standort neuer Lagerstätten und die Art der Mineralien vorhersagen ließen, sondern auch die Menge der an einem bestimmten Standort vorhandenen Mineralien. Und dieses Modell gilt nicht nur für die Erde, sondern für jeden felsigen Planetenkörper.

Datensatz

Der Datensatz für diese Studie enthält 5.478 Mineralien, 295.583 Mineralienfundorte und die zugehörigen Altersinformationen von 5.472 Mineralienfundorten aus der großen Mineral Evolution Database, die 810.907 Mineral-Fundort-Kombinationen enthält. Aufgrund der Größe der Daten haben die Forscher diese in verschiedene Teilmengen unterteilt und drei davon ausgewählt:

* Geografische Teilmenge:Die Forscher entschieden sich für die Vereinigten Staaten, da diese über eine große Mineralienvielfalt, eine weite und gut dokumentierte geografische Ausdehnung und ein breites Spektrum geologischer Gegebenheiten verfügen. Diese Teilmenge enthält 2.622 Mineralarten, 93.419 Mineralvorkommen und 8.139.004 Assoziationsregeln.

* Teilmenge Geochemie:Die Forscher wählten Uranerze aus und untersuchten die uranhaltigen Mineralphasen, indem sie eine oder mehrere Mineralarten mit U als Basiselement analysierten. Diese Teilmenge enthält 5.439 Mineralien, 11.729 Mineralienvorkommen und 60.589.982 Assoziationsregeln.

* Zeitliche Teilmenge:Die Forscher wählten drei Zeitabschnitte aus: Archaikum (> 2,5 Ga), Proterozoikum (2,5 – 0,54 Ga) und Känozoikum (< 0,54 Ga).

Modellentwicklung

Auf Grundlage des oben genannten Datensatzes begannen die Forscher, Modelle zu entwickeln und deren Auswirkungen zu überprüfen.Der gesamte Prozess ist in 3 Schritte unterteilt:

1. Generierung von Mineralassoziationsregeln

Die Forscher verwendeten den Apriori-Algorithmus, der häufig in der Assoziationsanalyse verwendet wird. Der Algorithmus verwendet einen Bottom-up-Ansatz zur Generierung von Assoziationsregeln durch Testen und Vergleichen von Sätzen häufig gemeinsam auftretender Elemente (wie etwa Mineralansammlungen), die für die Mineralassoziationsanalyse verwendet werden können.

2. Möglichkeitsmessung von Mineralassoziationsregeln

Die Forscher legen den Möglichkeitsindex fest, um die Assoziationsregeln herauszufiltern, die die Anforderungen erfüllen. Möglichkeitsindikatoren beziehen sich auf Indikatoren, die die Beziehung zwischen Mineralien quantifizieren und bewerten. Zu den üblichen Möglichkeitsindikatoren zählen Unterstützung, Vertrauen und Auftrieb.

Unter Support versteht man den Anteil aller Proben, der zwei oder mehr Mineralien gleichzeitig enthält.Je höher die Unterstützung, desto stärker ist die Verbindung zwischen diesen Mineralien.

Abbildung 2: Formel zur Berechnung der Unterstützung

Unter Konfidenz versteht man die Wahrscheinlichkeit, dass beim Vorkommen eines Minerals auch ein anderes Mineral vorkommt.Ein hohes Konfidenzniveau weist auf eine starke Verbindung zwischen den beiden Mineralien hin.

Abbildung 3: Formel zur Berechnung des Vertrauens

Der Erhebungsgrad ist das Verhältnis der Wahrscheinlichkeit des gemeinsamen Vorkommens zweier Mineralien zur Wahrscheinlichkeit ihres unabhängigen Vorkommens.Ein Wert größer als 1 weist auf eine positive Assoziation zwischen den beiden Mineralien hin, ein Wert kleiner als 1 weist auf eine negative Assoziation hin und 1 bedeutet keine Assoziation.

Abbildung 4: Formel zur Berechnung des Auftriebs

3. Mineral Association Regeln zur Vorhersage von Mineralien

In dieser Studie haben die Forscher vorhandene Mineraliendaten ausgewertet und analysiert, um Assoziationsregeln für jede der drei Datenuntergruppen (geografisch, geochemisch und zeitlich) zu generieren. Sie analysieren und vergleichen das Vorkommen von Mineralien am vorherzusagenden Standort mit den Assoziationsregeln und können die Mineralienarten, Mineralienkombinationen, die Mineralisierungsumgebung usw. an jedem Standort vorhersagen.

Experimentelle Ergebnisse

Das Experiment wurde im Tecopa-Becken in Kalifornien (USA) durchgeführt, da es dort Vulkanasche und Travertinvorkommen gibt und es in der Nähe Basaltlavaströme gibt, die die Marsumgebung simulieren können.Die Forscher sagten die Arten von Mineralien voraus, die an der Fundstelle vorkommen würden.Wie in der folgenden Tabelle gezeigt:

Tabelle 1: Voraussichtliche Vorkommen von Mineralarten im Tecopa-Becken

Die Tabelle zeigt die relevanten Konfidenz- und Liftmetriken für die Assoziationsregeln, auf denen die Vorhersagen basieren.

Die Forscher sagten außerdem voraus, wo Uran und mehrere andere wichtige Mineralien vorkommen könnten, und markierten ihre Vorhersagen auf der Karte.Die Ergebnisse der Uranminenstandortvorhersage sind in der folgenden Abbildung dargestellt.Unter ihnen wurden einige Vorhersagen seit Oktober 2020 bestätigt, was die Vorhersagekraft der Mineralkorrelationsanalyse beweist.

Abbildung 5: Karte der voraussichtlichen Standorte der Uranlagerstätten

Die prognostizierten Fundorte mehrerer anderer wichtiger Mineralien sind in der folgenden Abbildung dargestellt.

Abbildung 6: Voraussichtliche geografische Standorte mehrerer anderer wichtiger Mineralien

Stand Oktober 2021Bestätigte Standorte sind mit dem Mindat-Logo gekennzeichnet. Mindat ist eine globale Website mit Mineraliendatenbanken. Wenn an einem bestimmten Ort ein Mineral entdeckt wird, wird dies auf der Website veröffentlicht.

Um die Veränderungen im Auftreten von Mineralien in der Erdgeschichte besser zu verstehen, untersuchten die Forscher außerdem die Mineralassoziationsregeln in ausgewählten Zeiträumen, darunter dem Archaikum (> 2,5 Ga), dem Proterozoikum (2,5–0,54 Ga) und dem Känozoikum (<0,54 Ga). Die Verbesserung der Mineralstoffkombinationen in den drei Zeiträumen ist in der folgenden Abbildung dargestellt.

Abbildung 7: Höhe der Mineralansammlungen im Archaikum (a), Proterozoikum (b) und Känozoikum (c)

Der Grad der Erhebung stellt die Stärke der Verbindung zwischen Mineralansammlungen dar, und es ist ersichtlich, dass es deutliche Unterschiede in der Verteilung der Mineralansammlungen im Archaikum, Proterozoikum und Känozoikum gibt. Diese Regel kann in zukünftigen Untersuchungen verwendet werden.Untersuchen Sie weiter die Auswirkungen verschiedener Faktoren wie Umwelt und Klima auf Mineralkombinationen.

Zusammenfassend kann die Mineralassoziationsanalyse zur Vorhersage neuer Mineralarten und Zielmineralstandorte usw. angewendet werden.

Assoziationsanalyse: eine der aktivsten Methoden im Information Mining

Die Assoziationsanalyse, auch bekannt als Assoziations-Mining, ist eine der aktivsten Forschungsmethoden im Bereich des Data Information Mining und wurde erstmals 1993 vorgeschlagen. Im Diskussionsteil dieses Artikels schlugen die Autoren vor, dassDie Anwendung der Assoziationsanalyse sollte nicht auf Mineralansammlungen beschränkt sein.Darüber hinaus kann es zur Analyse anderer Eigenschaften wie symbiotischer Fossilien, Mikroorganismen, Moleküle und geologischer Umgebungen eingesetzt werden. Denn diese Methode ist skalierbar und übertragbar, kann auf viele Bereiche angewendet werden und spielt eine wichtige Rolle.

Zusätzlich zur Anwendung der Korrelationsanalyse in der Mineralexploration, die in diesem Artikel diskutiert wird,Bemerkenswert sind auch die Fortschritte in der Human-, Tier- und Pflanzengenetikforschung.Derzeit haben Forscher auf diesem Gebiet eine Reihe neuer Methoden und Software auf der Grundlage von Assoziationsanalysen vorgeschlagen. Beispielsweise kann die PLINK-Software, die zuvor der Öffentlichkeit zugänglich gemacht wurde, für das Datenmanagement, die Auswertung von Populationsstrukturen, die Assoziationsanalyse komplexer Merkmale und Fallkontrolldaten verwendet werden und kann auch Big Data zu Genotypen und Phänotypen verarbeiten. QTXNetwork, entwickelt vom Labor von Professor Zhu Jun an der Zhejiang-Universität, ist ein auf GPU-Computing basierendes Softwarepaket zur Assoziationsanalyse, das komplexe Omics-Daten zu Merkmalen in großem Maßstab verarbeiten kann.

Da die Datenmenge weiter zunimmt und die Informatik, Technologie und statistischen Algorithmen ständig aktualisiert werden, wird sich die Anwendung der Assoziationsanalyse in verschiedenen Bereichen weiterentwickeln.Darüber hinaus werden neue effiziente, schnelle und massenhaft gekennzeichnete Technologieplattformen für die Assoziationsanalyse entstehen.In diesem Zusammenhang müssen Teams und Einzelpersonen bei der Auswahl von Tools diese anhand der tatsächlichen Geschäftsanforderungen bewerten und vergleichen.

Referenzlinks:

[1]https://www.doc88.com/p-9788189626622.html?

[2]https://zwxb.chinacrops.org/article/2016/0496-3490-42-7-945.html