Intelligent prospector v2.0: exploration drill planning under epistemic model uncertainty

要約

どの地球科学データを取得するかについて最適なベイジアン意思決定を行うには、不確実性の事前モデルを記述する必要があります。
次に、対象の特性に関する不確実性を最大限かつ平均的に低減することにより、データ取得が最適化されます。
探索のコンテキストでは、データ取得計画の前に利用できるデータはほとんどなく、場合によってはまったくデータが存在しないこともあります。
したがって、以前のモデルには、空間変動の性質、または調査対象の領域に関連すると思われるアナログ データに関する人間の解釈を含める必要があります。
たとえば、鉱物探査では、人間は鉱化作用の起源に関する概念モデルに依存して、それぞれが鉱化作用の特定の空間変動を表す複数の仮説を定義することがあります。
多くの場合、データが取得された後、述べられたすべての仮説が間違っている、つまり改ざんされていることが判明する可能性があるため、以前の仮説を修正するか、追加の仮説を生成する必要があります。
間違った地質学的事前条件に基づいてデータ収集を計画することは、ターゲット特性の推定不確実性が不正確であり、したがって不確実性がまったく低減されない可能性があるため、非効率となる可能性があります。
この論文では、空間変動の性質に関する複数の地質学的または地球科学的仮説の場合に最適に計画する、部分的に観察可能なマルコフ決定プロセスに基づいたインテリジェント エージェントを開発します。
さらに、人工知能には、人間が述べた仮説が間違っているかどうかを早期に検出できる方法が装備されているため、データ取得にかかる費用を大幅に節約できます。
私たちのアプローチは堆積物に覆われた銅鉱床でテストされ、提示されたアルゴリズムは 2023 年のザンビアの超高品位鉱床の特性評価に役立ちました。

要約(オリジナル)

Optimal Bayesian decision making on what geoscientific data to acquire requires stating a prior model of uncertainty. Data acquisition is then optimized by reducing uncertainty on some property of interest maximally, and on average. In the context of exploration, very few, sometimes no data at all, is available prior to data acquisition planning. The prior model therefore needs to include human interpretations on the nature of spatial variability, or on analogue data deemed relevant for the area being explored. In mineral exploration, for example, humans may rely on conceptual models on the genesis of the mineralization to define multiple hypotheses, each representing a specific spatial variability of mineralization. More often than not, after the data is acquired, all of the stated hypotheses may be proven incorrect, i.e. falsified, hence prior hypotheses need to be revised, or additional hypotheses generated. Planning data acquisition under wrong geological priors is likely to be inefficient since the estimated uncertainty on the target property is incorrect, hence uncertainty may not be reduced at all. In this paper, we develop an intelligent agent based on partially observable Markov decision processes that plans optimally in the case of multiple geological or geoscientific hypotheses on the nature of spatial variability. Additionally, the artificial intelligence is equipped with a method that allows detecting, early on, whether the human stated hypotheses are incorrect, thereby saving considerable expense in data acquisition. Our approach is tested on a sediment-hosted copper deposit, and the algorithm presented has aided in the characterization of an ultra high-grade deposit in Zambia in 2023.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google