Panaudojus mineralų asociacijų modelius, naujas mašininio mokymosi modelis gali numatyti mineralų vietą Žemėje ir galbūt kitose planetose. Ši pažanga yra nepaprastai vertinga mokslui ir pramonei, nes jie nuolat tyrinėja mineralų telkinius, kad atrastų planetos istoriją ir kasyklų išteklius praktiniam naudojimui, pavyzdžiui, įkraunamas baterijas.

Shona Morrison ir Anirudh Prabhu vadovaujama komanda siekė sukurti metodą, leidžiantį nustatyti konkrečių mineralų atsiradimą – tikslą, kuris tradiciškai buvo vertinamas kaip menas ir mokslas. Šis procesas dažnai priklausė nuo individualios patirties ir sveikos sėkmės dozės.

Komanda sukūrė failą[{” attribute=””>machine learning model that uses data from the Mineral Evolution Database, which includes 295,583 mineral localities of 5,478 mineral species, to predict previously unknown mineral occurrences based on association rules.

The authors tested their model by exploring the Tecopa basin in the Mojave Desert, a well-known Mars analog environment. The model was also able to predict the locations of geologically important minerals, including uraninite alteration, rutherfordine, andersonite, and schröckingerite, bayleyite, and zippeite.

In addition, the model located promising areas for critical rare earth elements and lithium minerals, including monazite-(Ce), and allanite-(Ce), and spodumene. Mineral association analysis can be a powerful predictive tool for mineralogists, petrologists, economic geologists, and planetary scientists, according to the authors.

Reference: “Predicting new mineral occurrences and planetary analog environments via mineral association analysis” by Shaunna M Morrison, Anirudh Prabhu, Ahmed Eleish, Robert M Hazen, Joshua J Golden, Robert T Downs, Samuel Perry, Peter C Burns, Jolyon Ralph and Peter Fox, 16 May 2023, PNAS Nexus.
DOI: 10.1093/pnasnexus/pgad110