استفاده از هوش مصنوعی برای یافتن عناصر خاک های کمیاب در زمین

دانشمندان با استفاده از هوش مصنوعی (AI)، موفق شدند که مواد معدنی مختلف در کدام مناطق زمین و ودیگر سیارات یافت می شوند. این تکنیک، می تواند مناطقی که شامل ترکیبات معدنی ارزشمند مانند عناصر خاک های نادر و کمیاب و نیز لیتیم، که در تکنولوژی پیشرفته کاربرد مهمی دارند، را مشخص کند. یک مدل یادگیری ماشینی می‌تواند با بهره‌گیری از الگوهای موجود در ارتباطات معدنی، مکان مواد معدنی روی زمین – و احتمالاً سیارات دیگر – را پیش‌بینی کند. علم و صنعت به دنبال ذخایر معدنی هستند تا هم تاریخ سیاره ما را بهتر درک کنند و هم برای استفاده در فناوری‌هایی مانند باتری‌های قابل شارژ، آنها را استخراج کنند.

کاربرد هوش مصنوعی در شناسایی عناصر خاک های نادر و کمیاب زمین

دانشمندان و محققان دائماً در تلاشند تا اسرار تاریخ سیاره ما را کشف کنند و منابع ارزشمندی مانند منابع مورد استفاده در باتری‌های قابل شارژ را استخراج کنند. با تجزیه و تحلیل الگوهای موجود در ارتباط مواد معدنی، این مدل نوآورانه پتانسیل ایجاد انقلابی در اکتشاف مواد معدنی و افزایش درک ما از اجرام آسمانی را دارد. شانا موریسون و آنیرود پرابو تیمی را با هدف ایجاد تکنیکی برای شناسایی وجود مواد معدنی خاص رهبری کردند. این هدف معمولاً بیشتر به عنوان یک مهارت هنری تا یک مهارت علمی تلقی می‌شد. در گذشته، این هدف به شدت به تخصص فردی و کمی خوش‌شانسی متکی بود.

پیش‌بینی محل قرارگیری مواد معدنی و محیط‌های تشکیل‌دهنده‌ی مواد معدنی، علیرغم اهمیت علمی و اقتصادی بالا، اغلب به دلیل ماهیت پیچیده‌ی سیستم‌های طبیعی دشوار است. در این کار، ما با به‌کارگیری یادگیری ماشینی برای توصیف الگوهای نهفته در چندبعدی بودن رخداد و ارتباطات مواد معدنی، پیچیدگی و «بهم‌ریختگی» ذاتی سیستم‌های زمین‌شناسی، شیمیایی و بیولوژیکی در هم تنیده‌ی سیاره‌مان را در نظر می‌گیریم. این تیم با موفقیت یک مدل یادگیری ماشینی را توسعه داد که از داده‌های پایگاه داده تکامل مواد معدنی استفاده می‌کند. این پایگاه داده جامع شامل اطلاعاتی در مورد 295583 مکان معدنی است و 5478 گونه معدنی متمایز را پوشش می‌دهد.

با تجزیه و تحلیل قوانین ارتباط در این داده‌ها، مدل می‌تواند وجود مواد معدنی را در مناطق قبلاً کشف نشده پیش‌بینی کند. این پیشرفت، امکانات جدیدی را برای کشف رخدادهای معدنی ناشناخته فراهم می‌کند.

اعتبارسنجی مدل یادگیری ماشین برای یافتن عناصر کمیاب

برای اعتبارسنجی مدل، محققان آزمایش‌هایی را در حوضه Tecopa، منطقه‌ای در صحرای Mojave که به دلیل شباهتش به مریخ شناخته شده است، انجام دادند. به طرز چشمگیری، مدل با موفقیت وجود چندین ماده معدنی مهم از نظر زمین‌شناسی را در این منطقه پیش‌بینی کرد. این مواد شامل دگرسانی اورانیت، رادرفوردین، اندرسونیت، شروکینگریت، بیلییت و زیپیت بودند. این دستاورد، توانایی مدل را در شناسایی دقیق مواد معدنی مهم در محیط‌های دنیای واقعی نشان می‌دهد و پتانسیل آن را برای پیشبرد درک ما از زمین و سایر اجرام سیاره‌ای نشان می‌دهد.

شناسایی مناطقی با احتمال بالای وجود عناصر خاکی کمیاب

مدل هوش مصنوعی با موفقیت مناطقی را با پتانسیل بالا برای عناصر خاکی کمیاب حیاتی و مواد معدنی لیتیوم مشخص کرد. نکته قابل توجه این است که این روش مکان‌های امیدوارکننده‌ای را برای مواد معدنی مانند مونازیت-(Ce)، آلانیت-(Ce) و اسپودومن شناسایی کرد. این قابلیت تجزیه و تحلیل ارتباطات معدنی، ارزش بسیار زیادی برای متخصصان در زمینه‌های کانی‌شناسی، سنگ‌شناسی، زمین‌شناسی اقتصادی و علوم سیاره‌ای دارد. نویسندگان تأکید می‌کنند که تجزیه و تحلیل ارتباطات معدنی می‌تواند به عنوان یک ابزار پیش‌بینی قدرتمند عمل کند و محققان را قادر می‌سازد تا تصمیمات آگاهانه و پیشرفت‌هایی را در حوزه‌های مربوطه خود اتخاذ کنند.

دامنه روش

دامنه این روش فراتر از ارتباطات معدنی است. می‌توان از آن برای تجزیه و تحلیل همزیستی فسیل‌ها، میکروب‌ها، مولکول‌ها و سایر ویژگی‌ها در محیط‌های زمین‌شناسی استفاده کرد.