論文の概要: Simulated petrological labels enable probabilistic mineralogy prediction from whole-rock geochemistry
- arxiv url: http://arxiv.org/abs/2610.36429v2
- Date: Fri, 30 Oct 2026 20:30:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 02:41:44.904224
- Title: Simulated petrological labels enable probabilistic mineralogy prediction from whole-rock geochemistry
- Title（参考訳）: シミュレーションされた岩石ラベルは全岩石地球化学から確率論的鉱物学予測を可能にする
- Abstract要約: 地化学科学における機械学習モデルは、不完全なシミュレータを利用して、その体系的なバイアスを軽減することができる。
この研究は、地球化学科学における機械学習モデルが不完全なシミュレータを活用し、その体系的なバイアスを軽減する方法を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modal mineralogy, the mineral identities and abundances in rocks, guides geological studies and industrial resource extraction. While measuring modal mineralogy is time-intensive, whole-rock chemical measurements furnish elemental concentrations at higher throughput. Predicting mineralogy from elemental data, however, poses a one-to-many inverse problem, and labeled mineralogical datasets are too sparse to train on at scale. We address both challenges by simulating petrological labels that express multiple formation conditions per composition and at a scale unattainable by measurements. Nearly one million simulated labels supervise the middle component of a three-part model: a transformer encoder self-supervised on roughly 788,000 whole-rock compositions, the simulation-trained heads that predict distributions over mineral assemblages, and a recalibration layer that aligns the predictions with measured mineralogy. Zero-shot on 640 volcanic rocks, the model discriminates the presence of most mineral categories and predicts which rocks are richer in each mineral. However, the predicted abundances are systematically offset from measured values. Recalibration fit on as few as 25 labeled rocks recovers 76 percent of the likelihood improvement from fitting on the full 368-rock fitting set, while abundance error responds more slowly (11.0% zero-shot and 9.5% with the full fitting set). This work demonstrates how a machine learning model in the geochemical sciences can both leverage an imperfect simulator and mitigate its systematic biases.
- Abstract（参考訳）: モダル鉱物学(Modal mineralogy)は、岩石中の鉱物のアイデンティティと豊富な存在であり、地質学的研究と産業資源の抽出を導く。
モーダルミネラルギーの測定は時間集約的であるが、全岩石化学測定は高いスループットで元素濃度を上昇させる。
しかし、元素データから鉱物学を予測することは、一対多の逆問題を引き起こし、ラベル付き鉱物学データセットは大規模に訓練するには小さすぎる。
組成毎に複数の生成条件を表わす石油ラベルを, 測定によって達成不可能なスケールでシミュレートすることで, 両課題に対処する。
約788,000の岩盤組成を自己監督するトランスフォーマーエンコーダ、鉱物集合体上の分布を予測するシミュレーション訓練された頭部、そして測定された鉱物学で予測を整列する補正層である。
640の火山岩のゼロショットでは、ほとんどの鉱物カテゴリーの存在を識別し、どの岩が各鉱物に富んでいるかを予測する。
しかし、予測された存在量は、測定値から体系的にオフセットされる。
25個のラベル付き岩に収まるリカレーションは、完全な368岩の嵌合セットへの嵌合から改善の可能性の76%を回復させる一方、アブリダンスエラーはよりゆっくり反応する(11.0%ゼロショット、9.5%フルフィッティングセット)。
この研究は、地球化学科学における機械学習モデルが不完全なシミュレータを活用し、その体系的なバイアスを軽減する方法を示している。
関連論文リスト
- Expert lithological labels do not improve learning when used to predict marine sediment properties [4.211463778317431]
LILY海洋掘削データベース上に埋め込みモデルをトレーニングする。
我々は296のボーアホールから236,963個の観測を行った。
埋め込みはまた、モデルが見たことのないボアホール上で、トレーニングを欠いた物理的特性を予測する。
論文 参考訳（メタデータ） (2026-10-26T23:43:29Z) - Deep mineralogical segmentation of thin section images based on QEMSCAN maps [34.92366371606116]
本研究は,炭酸塩岩の薄片画像の自動鉱物学的セグメンテーションのための畳み込みニューラルネットワークモデルを提案する。
このモデルは、QEMSCANマッピング自体を低コストで一般化された効率的な方法で模倣することができる。
特に固形組織上での鉱物境界の適切な線引きについて有望な結果を示す。
論文 参考訳（メタデータ） (2025-05-22T17:58:34Z) - From Spectra to Geography: Intelligent Mapping of RRUFF Mineral Data [0.0]
我々は1次元のConvNeXt1Dニューラルネットワークアーキテクチャを用いて、スペクトル信号のみに基づいてミネラルスペクトルを分類する。
処理されたデータセットは、101か国にまたがる32,900以上の鉱物サンプルからなる。
論文 参考訳（メタデータ） (2024-11-18T16:15:00Z) - Learning the Factors Controlling Mineralization for Geologic Carbon
Sequestration [41.94295877935867]
我々は3次元フラクチャーネットワーク内の流れおよび反応性輸送シミュレーションを行い、鉱物反応を制御する要因を学習する。
フラクチャーネットワークにおける様々な反応および破壊パラメータと石英の溶解への影響について検討した。
有限体積貯水池モデルとグラフに基づく手法を組み合わせて, 複雑なフラクチャーネットワークにおける反応性輸送の研究を行った。
論文 参考訳（メタデータ） (2023-12-20T22:11:54Z) - A Machine Learning Approach for Material Type Logging and Chemical
Assaying from Autonomous Measure-While-Drilling (MWD) Data [0.0]
本研究は,物質伐採と化学測定のプロセスを自動化するパイロット研究について報告する。
測定期間データから抽出した特徴に基づいて、機械学習アプローチが訓練されている。
これらの掘削パラメータを基礎となる鉱物組成と結びつける仮説が立てられている。
論文 参考訳（メタデータ） (2022-02-07T05:56:50Z) - MiNet: A Convolutional Neural Network for Identifying and Categorising
Minerals [0.0]
7種類の鉱物を識別・分類する単一ラベル画像分類モデルを開発した。
実世界のデータセットを用いて行った実験は、このモデルが90.75%の精度を達成したことを示している。
論文 参考訳（メタデータ） (2021-11-22T15:00:28Z) - Crack detection using tap-testing and machine learning techniques to
prevent potential rockfall incidents [68.8204255655161]
本稿では,岩盤の自動探傷システムを提案する。
ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。
音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
論文 参考訳（メタデータ） (2021-10-10T22:53:36Z) - Passive frustrated nanomagnet reservoir computing [46.58639203503041]
天然のハードウェア貯水池は受動的で、最小限で、表現力があり、実現可能であるべきである。
低消費電力相補性金属酸化物半導体(CMOS)回路を用いたフラストレーションナノマグネット貯水池計算(NMRC)システムを提案する。
提案方式はCMOSエコー状態ネットワーク (ESN) と比較し, リソース全体の減少率を10,000,000以上とした。
論文 参考訳（メタデータ） (2021-03-16T22:32:49Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z) - Deep learning for lithological classification of carbonate rock micro-CT
images [52.77024349608834]
本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。
4つの畳み込みニューラルネットワークモデルが提案された。
精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
論文 参考訳（メタデータ） (2020-07-30T19:14:00Z)
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。