Dùng trọng lực và AI để săn tìm các khoáng sản quan trọng

Sahil Tapiawala, Giám đốc điều hành Atomionics, nói với Reuters rằng họ đã ký hợp đồng với ba công ty khai thác lớn dự kiến sẽ hoàn thành việc triển khai công nghệ "máy khoan ảo" có tên Gravio vào đầu năm 2024. Ông từ chối nêu tên ba công ty vì lý do bảo mật thương mại.

Do tư nhân nắm giữ, Atomionics được hỗ trợ bởi một số cơ quan chính phủ và nhà đầu tư chiến lược tại Singapore, gồm cả Pamela Vagata (người đồng sáng lập OpenAI) và Mikhail Zeldovich (Giám đốc điều hành công nghệ khí hậu của Trafigura).

Giống như nhiều công nghệ thăm dò, Atomionics khai thác dấu hiệu trọng lực của các khoáng chất khác nhau để xác định chính xác vị trí chúng nằm bên dưới lòng đất.

Atomionics có khả năng thực hiện điều này một cách chính xác hơn so với các kỹ thuật khảo sát dựa trên không khí thông thường và xử lý dữ liệu theo thời gian thực bằng AI, đẩy nhanh công việc xác định thân quặng, theo lời của Sahil Tapiawala.

Khoan một lỗ duy nhất để tìm kiếm khoáng sản có thể tốn từ 10.000 đô la Úc đến 50.000 đô la Úc (1 đô la Úc = 0,67 USD). Một máy khai thác lithium có thể cần tới 400 lỗ để xác minh tài nguyên, do đó việc xây dựng hình ảnh ảo chính xác hơn trước khi khoan có thể cắt giảm đáng kể chi phí.

Sahil Tapiawala nói: “Thách thức chính là đôi khi lỗ khoan thực sự không chạm vào nguồn tài nguyên”.

Công ty đang cố gắng cải thiện hiệu suất và chính xác của phương pháp khám phá của mình, giảm thiểu việc khoan các lỗ không mang lại giá trị.

Ngành khai thác mỏ sử dụng nhiều kỹ thuật khác nhau để tìm khoáng sản, gồm cả radar xuyên đất và khảo sát từ trường, nhưng không có phương pháp nào đảm bảo thành công.

KoBold Metals, công ty khởi nghiệp có trụ sở tại bang California (Mỹ) được hậu thuẫn bởi tỷ phú Bill Gates và Jeff Bezos, cũng đang sử dụng AI để tìm kiếm các kim loại quan trọng, chẳng hạn lithium.

Việc triển khai đầu tiên của Atomionics là ở bang Queensland (Úc) để giúp đơn vị Bridgeport Energy của công ty New Hope tìm dầu.

Cameron Fink, Giám đốc thăm dò tại Bridgeport Energy, cho biết trong một tuyên bố: “Ngành công nghiệp năng lượng theo truyền thống sẽ dựa vào dữ liệu địa chấn trước khi thực hiện bất kỳ dự án khoan nào. Với sự phát triển hơn nữa, Gravio có thể trở thành một giải pháp thay thế chi phí thấp cho các phương pháp thăm dò truyền thống”.

Mô hình học máy có thể giúp tìm thấy các khoáng chất

Khoáng sản quý hiếm xuất hiện trong nhiều loại trầm tích khác nhau trên khắp Trái đất. Nhu cầu sử dụng khoáng sản đã tăng lên nhanh chóng theo thời gian, nhưng việc khai thác chúng vẫn còn khá hạn chế.

Công nghệ thông thường cho phép con người tìm kiếm các khoáng sản quý hiếm bằng cách sử dụng thăm dò địa hóa làm phương pháp chính.

Theo cách tiếp cận này, huỳnh quang tia X (XRF) là công cụ rất hữu ích để đánh giá định tính và định lượng các khoáng chất quý hiếm. Tuy nhiên, khoáng sản và vị trí hình thành khoáng sản thường khó dự đoán do đặc điểm phức tạp của tự nhiên với các hệ thống địa chất, hóa học và sinh học đan xen.

Những nhà nghiên cứu đang tiếp tục tìm kiếm các công nghệ mới có thể dễ dàng xác định vị trí các mỏ khoáng sản, đồng thời sử dụng chúng để hiểu lịch sử hành tinh và giúp đáp ứng nhu cầu của các ngành công nghiệp.

Nhà khoáng vật học Shaunna Morrison và nhà khoa học địa tin học Anirudh Prabhu đã phát triển một mô hình học máy dựa trên AI có khả năng tìm thấy sự xuất hiện của các khoáng chất cụ thể.

“

Học máy là một lĩnh vực trong AI tập trung vào việc phát triển các thuật toán và mô hình máy tính có khả năng học hỏi từ dữ liệu và cải thiện hiệu suất của chúng theo thời gian mà không cần lập trình cụ thể. Các hệ thống học máy có khả năng tự động tìm hiểu và áp dụng kiến thức từ dữ liệu để thực hiện các nhiệm vụ cụ thể như phân loại, dự đoán, nhận dạng mẫu và tối ưu hóa quyết định.

Những ứng dụng của học máy rất đa dạng và bao gồm trong lĩnh vực như xử lý ngôn ngữ tự nhiên, thị giác máy tính, xe tự hành, dự đoán thời tiết, quản lý dữ liệu lớn...

Học máy đã có sự tiến bộ đáng kể trong thập kỷ gần đây, nhờ sự phát triển của các mô hình học sâu (deep learning) và khả năng xử lý dữ liệu lớn (big data), mang lại nhiều cơ hội và tiềm năng trong việc giải quyết các vấn đề phức tạp và cải thiện hiệu suất trong nhiều lĩnh vực khác nhau.

Cùng với các đồng nghiệp nghiên cứu của mình, Shaunna Morrison và Anirudh Prabhu đã tạo ra công cụ này bằng cách sử dụng dữ liệu từ Cơ sở dữ liệu tiến hóa khoáng sản để dự đoán sự xuất hiện khoáng sản mà trước đây chưa được biết đến. Cơ sở dữ liệu bao gồm 295.583 vị trí của 5.478 hợp chất, trong khi mô hình học máy tận dụng các mẫu dựa trên quy tắc kết hợp.

Để kiểm tra tính hiệu quả của mô hình học máy của họ, các nhà nghiên cứu đã khám phá lưu vực Tecopa ở sa mạc Mojave, miền đông California, Mỹ.

Khi kết thúc quá trình khám phá, mô hình học máy có thể dự đoán nguồn gốc của các khoáng chất quan trọng như rutherfordine, bayleyite và zippeite. Nó cũng định vị mỏ có các nguyên tố đất hiếm quan trọng như monazite-(Ce), allanite-(Ce) và spodumene.

Kết quả nghiên cứu chứng minh tính hiệu quả của phân tích liên kết khoáng sản như một công cụ dự đoán có khả năng mang lại lợi ích cho các nhà khoáng vật học, nhà địa chất kinh tế và nhà khoa học hành tinh.

Các nhà nghiên cứu hy vọng rằng phân tích liên kết khoáng sản sẽ cung cấp hiểu biết về quá trình khoáng hóa trên Trái đất và môi trường khoáng hóa trên khắp hệ Mặt trời.