Cómo el machine learning puede ayudar a identificar nuevos yacimientos de pórfidos de cobre

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

Para conseguirlo, los investigadores desarrollaron dos algoritmos, que denominaron “bosque aleatorio” y “red neuronal profunda”. Formularon los modelos utilizando un conjunto de datos globales de la química del circón, que normalmente se emplea para evaluar los depósitos de pórfido de cobre en el magma.

En concreto, centraron los modelos en 15 oligoelementos. A continuación, validaron los modelos con conjuntos de datos independientes de dos yacimientos de pórfidos de cobre bien caracterizados en el centro-sur de la Columbia Británica (Canadá) y en el Tíbet (China).

Ambos modelos obtuvieron una precisión de clasificación del 90% o superior. El modelo de “bosque aleatorio” mostró una tasa de falsos positivos del 10%, mientras que el modelo de “red neural profunda” tuvo una tasa de falsos positivos del 15%. En comparación, las métricas tradicionales informan de falsos positivos con una tasa del 23% al 66%.

El europio, el itrio, el neodimio, el 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 las proporciones de los elementos traza. En particular, el rendimiento de los modelos no se vio afectado por las diferencias regionales ni por el entorno geológico.

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