論文の概要: End-to-End Mineral Exploration with Artificial Intelligence and Ambient Noise Tomography
- arxiv url: http://arxiv.org/abs/2403.15095v1
- Date: Fri, 22 Mar 2024 10:23:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 17:48:36.039083
- Title: End-to-End Mineral Exploration with Artificial Intelligence and Ambient Noise Tomography
- Title（参考訳）: 人工知能と環境騒音トモグラフィによるエンド・ツー・エンド鉱物探査
- Authors: Jack Muir, Gerrit Olivier, Anthony Reid,
- Abstract要約: 我々は, 再生可能エネルギーソリューションにおいて, かなりの量の銅を必須元素として重視する。
速度,スケーラビリティ,深度浸透,分解能,環境影響の低さを特徴とするANTの利用のメリットを示す。
我々は、AIが地球物理データ解釈をどのように拡張し、鉱物探査の新しいアプローチを提供するかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper presents an innovative end-to-end workflow for mineral exploration, integrating ambient noise tomography (ANT) and artificial intelligence (AI) to enhance the discovery and delineation of mineral resources essential for the global transition to a low carbon economy. We focus on copper as a critical element, required in significant quantities for renewable energy solutions. We show the benefits of utilising ANT, characterised by its speed, scalability, depth penetration, resolution, and low environmental impact, alongside artificial intelligence (AI) techniques to refine a continent-scale prospectivity model at the deposit scale by fine-tuning our model on local high-resolution data. We show the promise of the method by first presenting a new data-driven AI prospectivity model for copper within Australia, which serves as our foundation model for further fine-tuning. We then focus on the Hillside IOCG deposit on the prospective Yorke Peninsula. We show that with relatively few local training samples (orebody intercepts), we can fine tune the foundation model to provide a good estimate of the Hillside orebody outline. Our methodology demonstrates how AI can augment geophysical data interpretation, providing a novel approach to mineral exploration with improved decision-making capabilities for targeting mineralization, thereby addressing the urgent need for increased mineral resource discovery.
- Abstract（参考訳）: 本稿では, 環境騒音トモグラフィ (ANT) と人工知能 (AI) を統合し, 世界の低炭素経済への移行に必要な鉱物資源の発見とデライン化を促進すべく, 鉱物探査の革新的なエンド・ツー・エンドワークフローを提案する。
我々は, 再生可能エネルギーソリューションにおいて, かなりの量の銅を必須元素として重視する。
我々は,その速度,スケーラビリティ,深度浸透,分解能,環境影響の低さを特徴とするANTの利点を,局所的な高分解能データに基づいて我々のモデルを微調整することにより,鉱床規模で大陸規模の確率モデルを洗練する人工知能(AI)技術とともに示す。
本手法は,オーストラリアにおける銅に対する新しいデータ駆動型AI確率モデルを提案することにより,提案手法の可能性を実証する。
次に、ヨーク半島のヒルサイドIOCG鉱床に焦点を当てる。
比較的少数の局所的なトレーニングサンプル(ボディインターセプト)では、基礎モデルを微調整してヒルサイドのオリボディのアウトラインを適切に推定できることが示される。
提案手法は, 地学的データの解釈をAIが拡張し, 鉱物資源発見の急激なニーズに対処するため, 鉱物探査の新たなアプローチを提供し, 鉱化をターゲットとした意思決定能力の向上を図っている。
関連論文リスト
- GFM4MPM: Towards Geospatial Foundation Models for Mineral Prospectivity Mapping [2.7998963147546148]
本研究では,ラベルのない地理空間データのみを用いて,バックボーンニューラルネットワークを自己教師型で学習する自己教師型アプローチを提案する。
以上の結果から,自己超越が学習特徴の堅牢性を促進し,予測精度が向上することが示唆された。
我々は、説明可能な人工知能技術を利用して、個々の予測が地質学的観点から解釈できることを実証する。
論文 参考訳（メタデータ） (2024-06-18T16:24:28Z) - Exploratory Preference Optimization: Harnessing Implicit Q*-Approximation for Sample-Efficient RLHF [82.7679132059169]
人間のフィードバックから強化学習が言語モデルのアライメントのための中心的なツールとして登場した。
我々は、RLHFにおけるオンライン探索のための新しいアルゴリズム、Exploratory Preference Optimization (XPO)を提案する。
XPOは証明可能な最強の保証と有望な経験的パフォーマンスを享受しています。
論文 参考訳（メタデータ） (2024-05-31T17:39:06Z) - Direct mineral content prediction from drill core images via transfer learning [0.0]
深層探査は、鉱業、石油、ガス産業、化学廃棄物や核廃棄物の処理のための地質単位の評価において重要である。
本研究では,機械学習,特に畳み込みニューラルネットワーク(CNN)を活用して,ドリルコア画像の解析のみからリソロジーとミネラル含量を評価する可能性について検討する。
その結果、ドリルコアセグメントを異なる形成クラスに分類する際、96.7%の精度が明らかとなった。
論文 参考訳（メタデータ） (2024-03-27T12:15:22Z) - The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。
ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。
新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
論文 参考訳（メタデータ） (2024-02-02T20:33:14Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Analysis and Applications of Deep Learning with Finite Samples in Full
Life-Cycle Intelligence of Nuclear Power Generation [21.938498455998303]
産業4.0の出現は、産業の文脈において人工知能(AI)の手法が取り入れられた。
しかし、複雑な工業用ミレウス、特にエネルギー探査と生産に関連するものは、長い尾のクラス分布、サンプルの不均衡、ドメインシフトを特徴とするデータを含むことが多い。
本研究は, 深層学習(DL)技術の適用を慎重に検討する, 原子力発電(NPG)の複雑で独特な産業シナリオに焦点を当てる。
論文 参考訳（メタデータ） (2023-11-07T06:17:57Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Deep Industrial Image Anomaly Detection: A Survey [85.44223757234671]
近年の深層学習の急速な発展は,産業用画像異常検出(IAD)のマイルストーンとなった
本稿では,ディープラーニングによる画像異常検出手法の総合的なレビューを行う。
画像異常検出のオープニング課題をいくつか取り上げる。
論文 参考訳（メタデータ） (2023-01-27T03:18:09Z) - Learning on Graphs for Mineral Asset Valuation Under Supply and Demand
Uncertainty [2.1485350418225244]
この作業は、供給と需要の不確実性の下で、鉱物資産の評価と鉱山計画のスケジューリングと最適化を共同で行う。
グラフに基づく3つの解法が提案されている: (i) ブロックサンプリング鉱体表現を学習する神経分岐ポリシー、 (ii) 選択木を探索することを学ぶ誘導ポリシー。
2つの大規模産業用地雷施設で行った結果, 原産品の最適度, 実行時間, 繰り返し回数の最大3桁の減少, 鉱物資源価値の最大40%の増大が確認された。
論文 参考訳（メタデータ） (2022-12-07T00:30:18Z) - Using machine learning to reduce ensembles of geological models for oil
and gas exploration [0.0]
オイル・イン・プレース(OIP)は、非常に多くの地質モデルを持つ計算に依存している。
データ削減技術は、この設定を小さいが、それでも完全に代表的なアンサンブルに減らすために必要である。
この研究は、0.5%のモデルだけで状態空間全体を記述できるアプローチである。
論文 参考訳（メタデータ） (2020-10-17T12:20:32Z) - Using satellite imagery to understand and promote sustainable
development [87.72561825617062]
持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。
我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。
不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
論文 参考訳（メタデータ） (2020-09-23T05:20:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。