Large Language Models and Geoscience Transformers for Predictive Mapping of Canadian Critical Minerals
Notice bibliographique
Résumé
Abstract Data-driven MPM (mineral prospectivity mapping) of critical minerals, which are elements or minerals with strategic importance and high supply chain risk, is vital for national land use planning. Recently, MPM has been practiced using supervised machine learning classification algorithms. However, applying such algorithms to Canadian critical minerals presents two major challenges. The first stems from the nature of geological knowledge, which is primarily stored in unstructured text. However, most supervised machine learning algorithms struggle to directly incorporate this textual information into predictive models. The second challenge arises from the limited number of known mineral deposits associated with many critical minerals in Canada, resulting in insufficient training labeled data for supervised classification tasks. To address the first challenge, this study employed natural language processing (NLP) techniques and large language models (LLMs) to extract and transform geoscientific knowledge embedded in geoscience text corpora into predictive features for MPM. LLMs operate based on transformer deep learning architectures that use self-attention mechanisms to capture contextual relationships within natural language. A domain-specific LLM, which was fine-tuned in this study and evaluated using geology-related inquiries, was employed for MPM. To address the second challenge, a separate transformer model was developed using a self-supervised learning approach that integrates diverse geophysical, geochronological, and textual data, eliminating the dependency on a substantial number of labeled training samples. The prospectivity model generated using the proposed transformer model significantly reduced the search space—by an average of 87%—for the targeted type of mineral deposits. The findings of this study demonstrate the effectiveness of transformer-based architectures and LLMs in overcoming key limitations of modern MPM approaches for critical mineral exploration.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».