Composition Analysis of an Apatite Crystal using a Space-Prototype Mass Spectrometric Instrument and Machine Learning for Unsupervised Mineralogical Phase Detection
Notice bibliographique
Résumé
We present the analysis of a 2.06 Ga apatite crystal obtained from an ultramafic phoscorite rock from the Phalaborwa Complex (Limpopo Province, South Africa) [1]. A space-prototype laser ablation ionisation mass spectrometer (LIMS) [2,3] was used to study the chemical composition of the sample. Mass spectra were recorded from a sample area of 0.6x0.6 mm2, with a spatial resolution of 30 μm and sub-micrometre depth resolution.Apatite is a calcium phosphate mineral expressed by the chemical stoichiometric formula [Ca5(PO4)3(F, Cl, OH)]. The halogen site, occupied by F, Cl, and OH, corresponds to an isomorpous series with fluor-, chlor- and hydroxyl-apatite end members, respectively. Apatite, being an accessory mineral in igneous and other rocks, commonly contains a range of other elements that do not fit well into the major rock forming minerals, such as rare earth elements (REE). These are suitable targets for investigating physical and chemical conditions in igneous rocks and the volatile evolution of magmas.The analysis of the spectra recorded with our LIMS system for the abundances of the elements of interest at each location were performed in two steps. First, the abundances of each element across the sampled area were compiled in element maps. And second, an unsupervised machine learning algorithm based on clustering and network analysis was applied to the data set of analysed mass spectra to separate it into groups of distinct chemical composition. Subsequently, a more detailed analysis was conducted on each of the recovered groups to assign the corresponding mineral. In addition to the group of spectra belonging to apatite, which was assigned to fluorapatite, other minerals were identified, amongst others olivine. This method yields an unsupervised approach to identify different mineralogical entities present within a sample. This network analysis method was previously applied to a 1.88 Ga Gunflint sample (Ontario, Canada) to separate spectra recorded from the host (chert) from spectra containing signatures of organic matter from fossilized microbes [4].Given that the data were recorded using a miniature mass spectrometer designed for space flight, this analysis demonstrates the analytical capabilities of our LIMS system that could be achieved in-situ on other planetary bodies in our Solar System, for example on the Moon or on Mars. The current performance of this miniature LIMS instrument to study the chemical composition of apatite is sufficiently high to measure volatiles (H, F, Cl) and nearly all relevant mineral and partially trace elements (Na, C, Mg, Si, S, K, Mn, Fe, Sr, Ba), including REE (La, Ce, Pr, Sm) which allows for a systematic quantitative analysis of their distribution.[1] Tulej, M. et al., 2022, https://doi.org/10.3390/universe8080410.[2] Riedo, A. et al., 2012, https://doi.org/10.1002/jms.3104.[3] Tulej, M. et al., 2021, https://doi.org/10.3390/app11062562.[4] Lukmanov, R.A. et al., 2022, https://doi.org/10.3389/frspt.2022.718943
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».