Espodumena de cristal rosa. Crédito: Robert Lavinsky
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, potencialmente, en otros planetas. Este avance es de inmenso valor para la ciencia y la industria, ya que exploran continuamente depósitos minerales para desentrañar la historia del planeta y extraer recursos para aplicaciones prácticas, como baterías recargables.
Un equipo dirigido por Shaunna Morrison y Anirudh Prabhu tuvo como objetivo desarrollar un método para identificar la presencia de minerales particulares, un objetivo que tradicionalmente se ha considerado tanto un arte como una ciencia. Este proceso a menudo ha dependido de la experiencia individual junto con una buena dosis de suerte.
El equipo creó un[{” 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
