Descubra elementos de tierras raras: los científicos usan inteligencia artificial para encontrar materiales raros

Al aprovechar los patrones en las asociaciones de minerales, un nuevo modelo de aprendizaje automático puede predecir la ubicación de los minerales en la Tierra y posiblemente en otros planetas. Este avance es de enorme valor para la ciencia y la industria, ya que están constantemente explorando depósitos minerales para desenterrar la historia del planeta y extraer recursos para aplicaciones prácticas, como baterías recargables.

Un equipo dirigido por Shona Morrison y Anirudh Prabhu tiene como objetivo desarrollar un método para determinar la presencia de minerales específicos, un objetivo que tradicionalmente se ha visto tanto como un arte como una ciencia. Este proceso a menudo dependía de la experiencia individual combinada con una buena dosis de suerte.

El equipo ha creado un archivo.[{» attribute=»»>machine learning model that uses data from the Mineral Evolution Database, which includes 295,583 mineral localities of 5,478 mineral species, to predict previously unknown mineral occurrences based on association rules.

The authors tested their model by exploring the Tecopa basin in the Mojave Desert, a well-known Mars analog environment. The model was also able to predict the locations of geologically important minerals, including uraninite alteration, rutherfordine, andersonite, and schröckingerite, bayleyite, and zippeite.

In addition, the model located promising areas for critical rare earth elements and lithium minerals, including monazite-(Ce), and allanite-(Ce), and spodumene. Mineral association analysis can be a powerful predictive tool for mineralogists, petrologists, economic geologists, and planetary scientists, according to the authors.

Reference: “Predicting new mineral occurrences and planetary analog environments via mineral association analysis” by Shaunna M Morrison, Anirudh Prabhu, Ahmed Eleish, Robert M Hazen, Joshua J Golden, Robert T Downs, Samuel Perry, Peter C Burns, Jolyon Ralph and Peter Fox, 16 May 2023, PNAS Nexus.
DOI: 10.1093/pnasnexus/pgad110