Cómo el aprendizaje automático puede ayudar a identificar nuevos depósitos de pórfido de cobre profundamente enterrados

Según los autores del artículo, su principal objetivo era mejorar los indicadores geoquímicos tradicionales plagados de altas tasas de falsos positivos.

Para lograr tal objetivo, los investigadores desarrollaron dos algoritmos, a los que llamaron ‘bosque aleatorio’ y ‘red neuronal profunda’. Formularon los modelos utilizando un conjunto de datos global de la química del circón, que normalmente se emplea para evaluar los depósitos de pórfido de cobre en el magma.

En detalle, enfocaron los modelos en 15 elementos traza. Luego validaron los modelos con conjuntos de datos independientes de dos depósitos de pórfido de cobre bien caracterizados en el centro-sur de Columbia Británica, Canadá, y Tíbet, China.

Ambos modelos dieron como resultado una precisión de clasificación del 90% o más. El modelo de «bosque aleatorio» mostró una tasa de falsos positivos del 10 %, mientras que el modelo de «red neuronal profunda» tuvo una tasa de falsos positivos del 15 %. En comparación, las métricas tradicionales informan falsos positivos a una tasa del 23 % al 66 %.

Europio, itrio, neodimio, cerio y otros elementos surgieron como indicadores significativos de la fertilidad del magma.

El rendimiento de los modelos muestra que los algoritmos pueden distinguir entre magmas fértiles y estériles utilizando proporciones de elementos traza. En particular, el rendimiento del modelo no se vio afectado por las diferencias regionales o la configuración geológica.

En opinión de los científicos, a medida que aumenta la demanda de elementos de tierras raras, minerales y metales, el aprendizaje automático se seguirá utilizando como un enfoque sólido, preciso y eficaz para identificar y localizar recursos de pórfido de cobre.