Une équipe de scientifiques a inventé un modèle d’apprentissage automatique pour accélérer la découverte de minéraux
Carnegie Science nous apprend qu'une équipe de scientifiques, la minéralogiste Shaunna Morrison, le scientifique des données Anirudh Prabhu et leurs collègues, dont Robert Hazen de Carnegie Science, ont développé et appliqué une méthode d'apprentissage automatique pour prédire de nouvelles occurrences de minéraux précieux. En fait, celle-ci peut prédire l'emplacement des minéraux non seulement sur la Terre, mais même sur d'autres planètes, en tirant parti des modèles d'associations minérales.
Historiquement, dit-on, les découvertes minérales étaient le résultat de vastes travaux sur le terrain et d'expériences en laboratoire, ce qui prend du temps, coûte cher et dépend souvent du hasard. Les travaux de Morrison et Prabhu ont modifié cette approche à tout jamais grâce à leur modèle d'apprentissage tirant profit de bases de données minéralogiques – le Mindat et la Mineral Evolution Database – qui intègrent 295 583 localités, dont 45 472 ayant un âge connu, et représentent 5 478 espèces minérales.
Dans le détail, Carnegie Science explique que la méthode d'apprentissage automatique développée par ces chercheurs repose sur l'analyse de règles d'association minérale qui révèlent les relations entre les variables dans un grand ensemble de données. Par la suite, alimenté par de grandes quantités de données, le modèle d'apprentissage a permis à Morrison, à Prabhu et à leurs collègues de révéler les relations entre ces espèces, à la fois dans les régions géographiques et dans les temps géologiques, et de créer des règles régissant ces connexions.
Prabhu explique que l'apprentissage des règles d'association – une approche de la science des données fondamentales grâce à laquelle il est possible de déceler des modèles et des corrélations – constitue l'épine dorsale des prédictions et des découvertes qu'ils ont réussi à faire. Cela a été possible en interrogeant des bases de données pour répondre à des questions sur l'inventaire minéral connu à un endroit particulier, ou à d'autres endroits où un minéral est susceptible d'être découvert, et quels groupes de minéraux correspondent à des environnements particuliers.
Phys.org ajoute que les chercheurs ont testé leur modèle sur le bassin de Tecopa, dans le désert de Mojave, et ont pu prédire des occurrences minérales jusque-là inconnues grâce aux règles d'association proposées. Apparemment, le modèle d'apprentissage automatique a également été en mesure d'identifier l'emplacement de minéraux géologiquement importants, notamment l'altération de l'uraninite, la rutherfordite, l'andersonite, la schröckingerite, la bayleyite et la zippéite. Il a également identifié des zones prometteuses pour les éléments critiques de terres rares et les minéraux de lithium, notamment la monazite-(Ce), l'allanite-(Ce) et le spodumène.
Il est prévu que ces outils d'apprentissage automatique auront une valeur économique considérable, compte tenu de l'importance cruciale de certains minéraux bruts pour de nombreuses percées technologiques.
Carnegie Science nous apprend qu'une équipe de scientifiques, la minéralogiste Shaunna Morrison, le scientifique des données Anirudh Prabhu et leurs collègues, dont Robert Hazen de Carnegie Science, ont développé et appliqué une méthode d'apprentissage automatique pour prédire de nouvelles occurrences de minéraux précieux. En fait, celle-ci peut prédire l'emplacement des minéraux non seulement sur la Terre, mais même sur d'autres planètes, en tirant parti des modèles d'associations minérales.
Historiquement, dit-on, les découvertes minérales étaient le résultat de vastes travaux sur le terrain et d'expériences en laboratoire, ce qui prend du temps, coûte cher et dépend souvent du hasard. Les travaux de Morrison et Prabhu ont modifié cette approche à tout jamais grâce à leur modèle d'apprentissage tirant profit de bases de données minéralogiques – le Mindat et la Mineral Evolution Database – qui intègrent 295 583 localités, dont 45 472 ayant un âge connu, et représentent 5 478 espèces minérales.
Dans le détail, Carnegie Science explique que la méthode d'apprentissage automatique développée par ces chercheurs repose sur l'analyse de règles d'association minérale qui révèlent les relations entre les variables dans un grand ensemble de données. Par la suite, alimenté par de grandes quantités de données, le modèle d'apprentissage a permis à Morrison, à Prabhu et à leurs collègues de révéler les relations entre ces espèces, à la fois dans les régions géographiques et dans les temps géologiques, et de créer des règles régissant ces connexions.
Prabhu explique que l'apprentissage des règles d'association – une approche de la science des données fondamentales grâce à laquelle il est possible de déceler des modèles et des corrélations – constitue l'épine dorsale des prédictions et des découvertes qu'ils ont réussi à faire. Cela a été possible en interrogeant des bases de données pour répondre à des questions sur l'inventaire minéral connu à un endroit particulier, ou à d'autres endroits où un minéral est susceptible d'être découvert, et quels groupes de minéraux correspondent à des environnements particuliers.
Phys.org ajoute que les chercheurs ont testé leur modèle sur le bassin de Tecopa, dans le désert de Mojave, et ont pu prédire des occurrences minérales jusque-là inconnues grâce aux règles d'association proposées. Apparemment, le modèle d'apprentissage automatique a également été en mesure d'identifier l'emplacement de minéraux géologiquement importants, notamment l'altération de l'uraninite, la rutherfordite, l'andersonite, la schröckingerite, la bayleyite et la zippéite. Il a également identifié des zones prometteuses pour les éléments critiques de terres rares et les minéraux de lithium, notamment la monazite-(Ce), l'allanite-(Ce) et le spodumène.
Il est prévu que ces outils d'apprentissage automatique auront une valeur économique considérable, compte tenu de l'importance cruciale de certains minéraux bruts pour de nombreuses percées technologiques.