Откройте для себя редкоземельные элементы. Ученые используют искусственный интеллект для поиска редких материалов.

Используя закономерности в ассоциациях минералов, новая модель машинного обучения может предсказывать местонахождение минералов на Земле и, возможно, на других планетах. Это достижение имеет огромное значение для науки и промышленности, поскольку они постоянно изучают месторождения полезных ископаемых, чтобы раскрыть историю планеты и добывать ресурсы для практического применения, такие как перезаряжаемые батареи.

Группа во главе с Шоной Моррисон и Анирудхом Прабху стремилась разработать метод определения наличия конкретных минералов, цель, которая традиционно рассматривалась как искусство, а не как наука. Этот процесс часто основывался на индивидуальном опыте в сочетании со здоровой дозой удачи.

Команда создала файл[{» 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