The Interpretation of Pyrite Laser Ablation-Inductively Coupled Plasma-Mass Spectrometry Maps Using Machine Learning: A Case Study of the Colosseum Au Deposit, Southern California
Notice bibliographique
Résumé
Abstract This study explores the application of machine learning techniques for an enhanced interpretation of pyrite laser ablation-inductively coupled plasma-mass spectrometry (LA-ICP-MS) maps. The Colosseum Au deposit, in southern California, was considered as a case study. Colosseum is genetically related to a rhyolitic breccia-pipe complex, where Au mineralization is associated with two main pyrite generations—early pyrite and late pyrite. Our machine learning workflow involves the detection of distinct compositional zones in individual maps through unsupervised clustering, and a second clustering step where these zones are grouped by compositional similarity, enabling the direct comparison between different maps and providing a compositional overview of pyrite representative of the various styles of mineralization present in the deposit. Clustering of individual maps correctly differentiated between distinct growth zones in early pyrite, fractures that crosscut early pyrite growth, and zones of late pyrite growth, matching petrographic observation. All the zones detected by this first step, in turn, were classified into two compositionally distinct groups and a third transitional group, enabling the direct comparison between maps while keeping petrographic consistency. For Colosseum, our approach revealed that (1) Au is more abundant in late pyrite than early pyrite, but significant amounts can be found in both generations and in both Colosseum mineralized breccia pipes; (2) the transition from early to late pyrite is represented by a change from a Co-Ni-Te–rich end member to a Cu-Ag-Zn-Sb-Tl–rich end member; and (3) Au is directly correlated with As in both pyrite generations.
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 | 0,001 | 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 | 0,001 | 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 ».