Inteligența artificială și căutarea mineralelor critice din America
Pe 11 noiembrie 2025, un articol semnat de Stephanie Lee, de la Universitatea Sudică din California, a evidențiat modul în care inteligența artificială contribuie la identificarea mineralelor critice din Statele Unite. Aceste minerale, precum litiul, cobaltul și nichelul, sunt esențiale pentru securitatea națională și inovație, fiind utilizate în tehnologii verzi, sisteme de apărare și microelectronice. Cu toate acestea, SUA se confruntă cu o provocare semnificativă: dependența de importuri din regiuni geopolitic instabile.
În acest context, Serviciul Geologic al SUA (USGS), împreună cu Agenția pentru Proiecte Avansate de Cercetare în Domeniul Apărării (DARPA) și Agenția pentru Proiecte Avansate în Domeniul Energiei (ARPA-E), a inițiat un proiect ambițios, intitulat Evaluările Mineralelor Critice cu Suport AI, denumit CriticalMAAS. Acest proiect facilitează cercetarea colaborativă între Institutul de Științe Informaționale Viterbi de la USC și Universitatea din Minnesota, având ca scop dezvoltarea unor instrumente AI care pot accelera identificarea și descoperirea resurselor minerale printr-un flux de lucru numit evaluări de minerale critice.
Craig Knoblock, director executiv al ISI Keston, a comentat: „În mod obișnuit, USGS durează doi ani pentru a finaliza o evaluare, dar Congresul dorește să finalizeze 50 de evaluări în următorii câțiva ani.”
Extracția datelor din hărțile istorice cu ajutorul învățării automate
Una dintre primele provocări tehnice ale proiectului a fost extragerea datelor din 100.000 de hărți istorice, majoritatea existente doar sub formă de imagini raster scanate. Aceste hărți, realizate de USGS, oferă de cele mai multe ori singurele înregistrări detaliate ale caracteristicilor geologice, cum ar fi formațiunile de rocă, lineele de ruptură și depozitele minerale, reprezentate pe hărți prin poligoane, linii și simboluri punctuale. Totuși, formatul raster al hărților îngreunează analiza lor prin metode AI.
Fandel Lin, doctorand în științe computerizate, a menționat că digitalizarea manuală a acestor hărți este un proces lent și laborios. În plus, metodele automate anterioare au întâmpinat dificultăți datorită contextului vizual complex și a cantității limitate de date de antrenament disponibile.
Astfel, cercetătorii au dezvoltat DIGMAPPER, un sistem modular și scalabil care automatizează întreaga linie de digitalizare a hărților. Comparativ cu digitalizarea manuală, care poate dura câteva ore per hartă, DIGMAPPER a reușit să finalizeze procesul pentru peste 100 de hărți annotate dintr-un set de date DARPA-USGS în mai puțin de 25 de minute.
Construirea uneia dintre cele mai mari baze de date despre minerale
A doua mare inițiativă coordonată de ISI, MinMod, abordează o altă problemă: unificarea datelor minerale dispersate la nivel global într-un grafic de cunoștințe ușor accesibil pentru AI. „Obiectivul MinMod este de a aduce împreună tot ceea ce știm despre site-urile de minerit din întreaga lume”, a explicat Knoblock. „Este cea mai mare sursă publică unică de date despre site-urile minerale disponibile în lume.” Până în prezent, MinMod a procesat zeci de mii de documente referitoare la peste 679.000 de site-uri și 190 de mărfuri diferite.
Crearea unui cadru comun pentru aceste informații reprezintă o sarcină majoră. MinMod se bazează pe trei surse principale: literatura academică, rapoartele de minerit publice și bazele de date geologice din întreaga lume. Aceste materiale pot avea sute de pagini lungime, conținând tabele dense și diagrame, cu formate și terminologii variate, ceea ce le face greu de interpretat atât pentru oameni, cât și pentru mașini.
Pentru a aduce ordine acestei complexități, echipa MinMod utilizează modele de limbaj mari și tehnologii semantice pentru a extrage, structura și unifica datele într-un grafic de cunoștințe consistent, ușor de citit de către mașini. Acest cadru comun asigură că diferite sisteme pot accesa, analiza și construi pe baza aceleași date cu precizie.
Privind spre viitor
Pe măsură ce proiectele avansează, munca ISI ajută la transformarea unui proces care înainte era lent și manual într-un flux de lucru scalabil bazat pe AI. Hărțile istorice și graficul de cunoștințe MinMod constituie acum fundația pentru obiectivul final al programului: utilizarea învățării automate pentru a prezice depozitele minerale nedescoperite.
„Munca noastră face parte dintr-un efort mai amplu de a lua aceste date și de a construi modele de învățare automată care să poată prezice unde ar trebui să căutăm aceste depozite minerale în viitor”, a concluzionat Knoblock. Ambele proiecte vor fi prezentate la conferințe de vârf în noiembrie 2025, iar cercetarea DIGMAPPER va fi acceptată la Conferința Internațională ACM SIGSPATIAL pe Avansuri în Sisteme de Informații Geografice, care va avea loc în perioada 4-7 noiembrie în Minneapolis, Minnesota.
