HyperAI超神经

Contenu en un coup d'œil :Les minéraux fournissent des matières premières importantes pour les sociétés technologiques et constituent la seule preuve de nombreux événements géologiques et d’environnements anciens. Depuis des siècles, la recherche de ressources minérales et les fondements de leur origine et de leur distribution sont les principales préoccupations de la géologie. Récemment, PNAS Nexus, une revue subsidiaire des Actes de l'Académie nationale des sciences des États-Unis, a publié un résultat de recherche, qui a utilisé un modèle d'apprentissage automatique pour prédire l'emplacement et le type de nouveaux gisements minéraux grâce à une analyse d'association minérale.

Mots-clés:Analyse de corrélation de l'apprentissage automatique et exploration minérale

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~

Les minéraux sont apparus il y a des milliards d’années et ont joué un rôle essentiel dans l’évolution de la vie. Bien qu’il existe de nombreuses technologies d’exploration dans l’industrie géologique actuelle, les ressources minérales sont cachées et incertaines.Le processus d’exploration minière est très tortueux.Dans le même temps, le pays est confronté à de nombreux défis, tels que des risques élevés, de longs cycles d’investissement et un faible taux de réussite dans l’exploration minière.

Dans des études antérieures, les scientifiques ont découvert que plus de 5 000 minéraux sur Terre ne sont pas répartis au hasard.Beaucoup existent dans des relations symbiotiques (paragenèse).La relation dite symbiotique est une combinaison minérale formée selon des lois physiques et chimiques spécifiques. Par exemple, la formation des minéraux est étroitement liée à la composition chimique et aux conditions environnementales de la roche hôte.

Récemment, Morrison Shaunna M de la Carnegie Institution for Science à Washington, en collaboration avec Prabhu Anirudh et d’autres de l’Université de l’Arizona, ont utilisé l’apprentissage automatique pour découvrir les règles de combinaison des minéraux afin de prédire l’emplacement des minéraux. Les résultats de la recherche ont été publiés dans la revue PNAS Nexus.Le titre est « Prédire de nouvelles occurrences minérales et des environnements planétaires analogues via l'analyse d'association minérale ».

Les résultats de la recherche ont été publiés dansPNAS Nexus"supérieur

Adresse du document :

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

Aperçu de l'expérience

Les chercheurs ont développé un modèle d'apprentissage automatique pour prédire l'emplacement des minéraux en fonction de règles d'association utilisant les données de la base de données sur l'évolution des minéraux et ont testé le modèle dans le bassin de Tecopa, un environnement analogue bien connu de Mars. Les résultats expérimentaux montrent que l’apprentissage automatique peut prédire efficacement l’emplacement, le type et la quantité de minéraux.

L'analyse d'association est une méthode d'apprentissage automatique.Utilisé pour découvrir des règles d'association et des modèles dans des ensembles de données.Il révèle la corrélation et la dépendance entre différents ensembles d’éléments en analysant l’association entre les ensembles d’éléments dans les données.

Les auteurs suggèrent que, si l’on dispose des données appropriées, l’analyse des assemblages minéraux pourrait être utilisée pour prédire non seulement l’emplacement de nouveaux gisements et les types de minéraux qu’ils pourraient contenir, mais également la quantité de minéraux présents sur un site donné. Et ce modèle s’applique non seulement à la Terre, mais à tout corps planétaire rocheux.

Ensemble de données

L'ensemble de données de cette étude contient 5 478 minéraux, 295 583 localités minérales et les informations d'âge associées de 5 472 localités minérales provenant de la grande base de données sur l'évolution des minéraux, qui comprend 810 907 combinaisons minéraux-localités. En raison de la grande taille des données, les chercheurs les ont divisées en différents sous-ensembles et en ont sélectionné 3 :

* Sous-ensembles géographiques :Les chercheurs ont choisi les États-Unis, qui présentent une grande diversité minérale, une couverture géographique vaste et bien documentée et une grande variété de contextes géologiques. Ce sous-ensemble contient 2 622 espèces minérales, 93 419 occurrences minérales et 8 139 004 règles d'association.

* Sous-ensemble de géochimie :Les chercheurs ont sélectionné des minerais d’uranium et examiné les phases minérales contenant de l’uranium en analysant une ou plusieurs espèces minérales avec l’U comme élément de base. Ce sous-ensemble contient 5 439 minéraux, 11 729 occurrences minérales et 60 589 982 règles d'association.

* Sous-ensemble de temps :Les chercheurs ont sélectionné trois tranches de temps : l’Archéen (> 2,5 Ga), le Protérozoïque (2,5 – 0,54 Ga) et le Cénozoïque (< 0,54 Ga).

Développement de modèles

Sur la base de l’ensemble de données ci-dessus, les chercheurs ont commencé à développer des modèles et à vérifier leurs effets.L'ensemble du processus est divisé en 3 étapes :

1. Génération de règles d'association minérale

Les chercheurs ont utilisé l’algorithme Apriori, couramment utilisé dans l’analyse d’association. L'algorithme adopte une approche ascendante pour générer des règles d'association en testant et en comparant des ensembles d'éléments fréquemment co-occurrents (tels que des assemblages minéraux), qui peuvent être utilisés pour l'analyse d'association minérale.

2. Mesure de la possibilité des règles d'association minérale

Les chercheurs ont défini l’indice de possibilité pour éliminer les règles d’association qui répondent aux exigences. Les indicateurs de possibilité font référence aux indicateurs qui quantifient et évaluent la relation entre les minéraux. Les indicateurs de possibilité courants incluent le soutien, la confiance et l'ascenseur.

Le support fait référence à la proportion de tous les échantillons contenant deux minéraux ou plus en même temps.Plus le support est élevé, plus l’association entre ces minéraux est forte.

Figure 2 : Formule de calcul du support

La confiance fait référence à la probabilité que lorsqu’un minéral apparaît, un autre minéral apparaît également.Un niveau de confiance élevé indique une forte association entre les deux minéraux.

Figure 3 : Formule de calcul de la confiance

Le degré d'élévation est le rapport entre la probabilité que deux minéraux se trouvent ensemble et la probabilité qu'ils se trouvent indépendamment.Une valeur supérieure à 1 indique une association positive entre les deux minéraux, inférieure à 1 indique une association négative et 1 indique aucune association.

Figure 4 : Formule de calcul de la portance

3. Règles de l'Association des minéraux pour prédire les minéraux

Dans cette étude, les chercheurs ont exploité et analysé les données minérales existantes pour générer des règles d’association pour chacun des trois sous-ensembles de données (géographique, géochimique et temporel). Ils analysent et comparent l'occurrence des minéraux à l'emplacement à prédire avec les règles d'association, et peuvent prédire les types de minéraux, les combinaisons de minéraux, l'environnement de minéralisation, etc. à n'importe quel endroit.

Résultats expérimentaux

L'expérience a été menée dans le bassin de Tecopa en Californie, aux États-Unis, car il contient des cendres volcaniques et des dépôts de travertin, et il y a des coulées de lave basaltique à proximité qui peuvent simuler l'environnement martien.Les chercheurs ont prédit les types de minéraux qui apparaîtraient sur le site.Comme le montre le tableau suivant :

Tableau 1 : Espèces minérales dont la présence est prévue dans le bassin de Tecopa

Le tableau montre les mesures de confiance et de portance pertinentes pour les règles d'association sur lesquelles les prédictions sont basées.

Les chercheurs ont également prédit où l’uranium et plusieurs autres minéraux clés pourraient apparaître et ont marqué leurs prédictions sur la carte.Les résultats de la prédiction de l’emplacement de la mine d’uranium sont présentés dans la figure ci-dessous.Parmi elles, certaines prédictions ont été confirmées depuis octobre 2020, ce qui prouve la capacité prédictive de l’analyse de corrélation minérale.

Figure 5 : Localisation géographique prévue des gisements d'uranium

Les emplacements prévus de plusieurs autres minéraux clés sont indiqués dans la figure ci-dessous.

Figure 6 : Emplacements géographiques prévus de plusieurs autres minéraux clés

À compter d'octobre 2021,Les emplacements confirmés sont marqués du logo Mindat. Mindat est un site Web de base de données minérales mondiales. Lorsqu'un minéral est découvert à un certain endroit, il sera publié sur le site Web.

De plus, afin de mieux comprendre les changements dans l’apparence des minéraux au cours de l’histoire de la Terre, les chercheurs ont également étudié les règles d’association des minéraux dans des périodes sélectionnées, notamment l’Archéen (> 2,5 Ga), le Protérozoïque (2,5-0,54 Ga) et le Cénozoïque (< 0,54 Ga). L’amélioration des combinaisons minérales au cours des trois périodes est illustrée dans la figure ci-dessous.

Figure 7 : Élévation des assemblages minéraux archéens (a), protérozoïques (b) et cénozoïques (c)

Le degré d’élévation représente la force de l’association entre les assemblages minéraux, et on peut voir qu’il existe des différences évidentes dans la distribution des assemblages minéraux à l’Archéen, au Protérozoïque et au Cénozoïque. Cette règle peut être utilisée dans des recherches futures.Explorer plus en détail l’impact de divers facteurs tels que l’environnement et le climat sur les combinaisons de minéraux.

En résumé, l’analyse d’association minérale peut être appliquée pour prédire de nouveaux types de minéraux et des emplacements minéraux cibles, etc.

Analyse d'association : l'une des méthodes les plus actives dans l'exploration de l'information

L'analyse d'association, également connue sous le nom d'exploration d'association, est l'une des méthodes de recherche les plus actives dans le domaine de l'exploration de données et a été proposée pour la première fois en 1993. Dans la section discussion, les auteurs de cet article ont proposé queL’application de l’analyse d’association ne doit pas se limiter aux assemblages minéraux.Il peut également être appliqué à l’analyse d’autres propriétés telles que les fossiles symbiotiques, les micro-organismes, les molécules et les environnements géologiques. C’est parce que cette méthode est évolutive et transférable, peut être appliquée à de nombreux domaines et joue un rôle important.

En plus de l’application de l’analyse de corrélation dans l’exploration minérale discutée dans cet article,Ses progrès dans la recherche en génétique humaine, animale et végétale méritent également d’être soulignés.À l’heure actuelle, les chercheurs dans ce domaine ont proposé une série de nouvelles méthodes et de nouveaux logiciels basés sur l’analyse d’association. Par exemple, le logiciel PLINK, qui a été ouvert au public plus tôt, peut être utilisé pour la gestion des données, l’évaluation de la structure de la population, l’analyse d’association de caractères complexes et de données cas-témoins, et peut également traiter les données volumineuses sur le génotype et le phénotype ; QTXNetwork, développé par le laboratoire du professeur Zhu Jun à l'Université du Zhejiang, est un progiciel d'analyse d'association basé sur le calcul GPU qui peut traiter des données omiques de traits complexes à grande échelle.

À mesure que la quantité de données continue d’augmenter, que l’informatique, la technologie et les algorithmes statistiques continuent d’être mis à jour, l’application de l’analyse d’association dans divers domaines va encore se développer.De nouvelles plateformes technologiques d’analyse d’association efficaces, rapides et massivement labellisées verront également le jour.Dans ce contexte, lorsque les équipes et les individus choisissent des outils, ils doivent les évaluer et les comparer en fonction des besoins réels de l’entreprise.

Liens de référence :

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

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