Calibration, Validation and Evaluation of Machine Learning Thermobarometers in Metamorphic Petrology: An Application to Biotite and Outlook for Future Strategy
Notice bibliographique
Résumé
ABSTRACT Geothermobarometry provides crucial constraints on the physical conditions of metamorphism, offering insights into petrogenetic processes and providing key information on thermal regimes and metamorphic depths to other geological disciplines. However, calibrating a thermobarometer from the natural record is challenging because independent pressure ( P ) and temperature ( T ) estimates are required, and the compositional variation of minerals—governed by multiple metamorphic reactions—must be captured in a complex function. This work calibrates a machine learning thermobarometer for biotite using relative P – T estimates based on mineral assemblage sequences. A neural network is used as a flexible model to fit a high‐dimensional thermobarometric regression curve. To address the challenge of sparse training data, a transfer learning strategy is employed, where the model is primarily trained on a large dataset generated with phase equilibrium modelling before refinement with natural data. A general framework for calibrating machine learning thermobarometers is outlined using a neural network thermobarometer for biotite as an example. Selection of the best‐performing model is guided by k ‐fold cross‐validation alongside complementary accuracy checks using metamorphic sequences and precision assessments via Monte Carlo error propagation. Evaluation on an independent test dataset, compiled from the literature, indicates that the model is a potential biotite single‐crystal thermometer with a root mean square error of ± 45°C, consistent with the estimated uncertainty of Ti‐in‐Bt thermometry applied to the same data. A potential barometer is affected by systematic underestimation of pressures above 0.6 GPa due to regression to the mean of the natural database, which is biased towards low‐pressure metamorphism. This limits its applicability in higher‐pressure regimes. This study highlights the potential of using neural networks with transfer learning in petrological applications since they are often constrained by limited natural data.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».