A Machine Learning Approach to Single Garnet Geothermometry and Application to Tracing the Fingerprint of Superdeep Diamonds
Notice bibliographique
Résumé
Abstract Estimating the equilibration temperatures of mantle‐derived garnets is crucial for assessing the diamond potential of kimberlites. Traditional garnet geothermometers require co‐existing mineral data or costly trace element analysis, limiting their practical use. As an alternative approach, based on the major and minor element composition of garnet alone, we first re‐calibrated an Mn‐in‐garnet thermometer using a newly compiled data set of garnets from well‐equilibrated peridotitic xenoliths with well‐constrained pressure‐temperature (P‐T) conditions. The re‐calibrated Mn‐in‐garnet thermometer, however, is only of intermediate accuracy, with a relatively large discrepancy relative to the most reliable multi‐phase thermometry, indicated by a high root mean square error value (RMSE = 79°C) across a temperature range from 900 to 1,400°C. In a second improve approach, we developed a new machine learning (ML)‐based garnet thermometer that demonstrated superior performance, achieving significantly better accuracy and reduced discrepancies (average RMSE = 61°C). The ML‐based garnet thermometer outperforms the Mn‐in‐garnet thermometer because it considers not only MnO but also other major and minor elements, particularly TiO 2 , revealed by the ML model to be critical for accurate prediction of garnet temperatures. Applying the ML‐based thermometer to garnet xenocrysts from kimberlites on the Slave and Kaapvaal cratons reveals that high numbers of sublithospheric (superdeep) diamonds are associated with significantly higher proportions of high‐T (>1,200°C) high‐Ti garnets, compared to kimberlites in which superdeep diamonds are either few or absent. This finding indicates that a number of kimberlites, not currently identified as containing superdeep diamond populations, are promising hosts of such diamonds.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».