Artificial intelligence and machine learning to enhance critical mineral deposit discovery
Notice bibliographique
Résumé
• ML in mineral exploration struggles with low-quality data and interdisciplinary gaps. • Statistical model and data prep can improve exploration dataset consistency. • Specific focus on ML is limiting, a broader data science approach would be beneficial. • Exploration needs blending ML with geoscientific expertise. The application of machine learning (ML) in mineral exploration has garnered significant attention and investment, yet greenfield mineral deposit discovery rates remain unchanged. This limited success stems from challenges such as low data quality outside existing mines, inconsistent sampling, limited interdisciplinary collaboration, and the unique complexity of geoscientific problems. Unlike traditional ML applications, mineral exploration demands a focus on subtle variations within finite search spaces, requiring an exploratory rather than accuracy-driven approach. Effective implementation necessitates collaboration between data scientists and geoscientists, leveraging ML as a tool to test hypotheses and analyse diverse datasets. However, reliance solely on ML overlooks the critical role of human creativity in generating and evaluating novel search strategies. Broader adoption of statistical methods, integrated spatial models, and innovative data preparation techniques can address the inconsistencies in exploration datasets. Furthermore, subjective modelling approaches, such as Delphi methods, can complement ML by incorporating expert judgment to overcome predictive limitations. By combining technological advancements with human expertise, the mineral exploration industry can enhance discovery success and achieve long-term sustainability. There is an important short-term requirement to secure the supply of critical metal resources, as their supply from existing mines and brownfield exploration is finite and commercial recycling of critical metals is still in its infancy.
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 | 0,006 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».