资源潜力评价主要目的之一是通过整合和分析地质找矿大数据以缩小找矿区域.地质找矿大数据具有数据量大、结构复杂等特征,常常无法对其进行有效地处理和解释.人工智能算法是挖掘地质找矿大数据中潜在非线性矿化模式的有效工具, 已经在矿产预测领域表现出优越性能. 然而, 人工智能驱动的矿产预测目前面临一些挑战, 如可解释性差、泛化能力弱、预测结果与物理规律不一致等. 本文在前人研究的基础上, 将领域知识嵌入人工智能驱动的矿产预测全过程,建立了更加透明和可解释的矿产预测人工智能模型.该模型提供了强大的成矿知识和专家经验指导矿产预测人工智能模型训练的全过程,包括数据输入、模型设计及模型输出等环节,从而提高矿产预测人工智能模型的可解释性和预测性能.总体而言,可解释性矿产预测人工智能模型实现了整个建模过程中先验知识和专家经验的嵌入,为未来矿产预测研究提供了一个有价值和前景的方向.
结论及展望
人工智能模型因其强大的非线性特征提取和融合能力被广泛应用于矿产预测.然而,人工智能模型通常为数据驱动的黑箱模型, 其可解释性差在一定程度上与忽略先验知识和专家经验有关. 本文提出从三个层面建立适用于矿产预测全流程的可解释性人工智能模型, 其关键要素包括:(1)数据可解释性,构建可靠的、具有明确地质内涵的地质找矿大数据;(2)模型可解释性, 设计具有物理规律一致性的隐含层和损失函数; (3) 结果可解释性, 可视化每层网络输出并计算输入特征贡献. 基于本研究提出的工作流程, 我们认为未来的工作应致力于提高矿产预测人工智能模型的预测性能和可解释性, 从而进一步推动人工智能在矿产预测中的应用
引用本文
左仁广,成秋明,许莹,杨帆帆,熊义辉,王子烨,KreuzerOP.2024. 可解释性矿产预测人工智能模型.中国科学:地球科学,54(9):2917–2928, doi: 10.1360/N072024-0018.
ZuoR,ChengQ,XuY,Yang F, Xiong Y, Wang Z, Kreuzer O P. 2024. Explainable artificial intelligence models for mineral prospectivity mapping. Science China Earth Sciences, 67(9): 2864–2875.
领取专属 10元无门槛券
私享最新 技术干货