Trovare minerali rari è tutt’altro che semplice. Dal litio nelle batterie dei nostri veicoli elettrici al ferro utilizzato per costruire nuovi edifici, facciamo costantemente affidamento sui minerali nascosti in tutta la Terra. Trovare questi materiali è un processo che richiede molte risorse e che spesso coinvolge Paesi dagli equilibri interni non proprio stabili. Inoltre, la ricerca di minerali rari ed elementi come le terre rare richiede l’uso di immagini satellitari, indagini geochimiche e informazioni provenienti da estrazioni precedenti. Se da un lato la Natura può riservare molte soprese, ad esempio “regalando” all’uomo miniere piene di risorse, dall’altro la pianificazione in questo campo è fondamentale, quanto più se legata alla tecnologia.

Non a caso, gli scienziati si rivolgono con un interesse sempre crescente a strumenti che possano supportali nel loro lavoro. Tra questi c’è l’intelligenza artificiale, usata stavolta per migliorare la scoperta di minerali rari su cui si basa gran parte dell’economia del “prodotto”. I ricercatori dell’Università di Notre Dame, dell’Università dell’Arizona e della Carnegie Institution for Science hanno sviluppato un modello che analizza i dati mineralogici per prevedere le posizioni di minerali rari e più utili. Il modello pesca nelle informazioni del Mineral Evolution Database, che contiene nozioni su 5.477 tipi unici di minerali e le loro 295.583 località.

Come scrive il team in un documento pubblicato di recente online, l’enorme volume di questi dati, combinato con “la complessità e il ‘disordine’ intrinseco dei sistemi geologici, chimici e biologici del nostro pianeta” rende estremamente difficile per gli esseri umani individuare le risorse utilizzando il database Mineral Evolution. Ma l’intelligenza artificiale è in grado di valutare rapidamente questi dati.

L’ingrediente segreto del modello è la cosiddetta “analisi delle associazioni”, che implica la ricerca di modelli all’interno di vasti set di dati. Associando il database sull’evoluzione dei minerali rari alle informazioni riguardanti la tettonica a placche, l’ossidazione dell’atmosfera terrestre, l’evoluzione della geosfera e altri fenomeni periferici, il modello determina dove potrebbero essere trovati i depositi di minerali rari e approssimativamente quanto del minerale sarebbe nascosto in ogni luogo.

Cos’è l’analisi delle associazioni per la scoperta dei minerali rari

L’analisi delle associazioni non si basa semplicemente sull’interrogazione di un database per trovare una corrispondenza di località con un elenco di minerali. Piuttosto, la tecnica riesce a individuare località precedentemente sconosciute, così come le loro probabilità di successo, sulla base dell’analisi simultanea di numerosi attributi di sistema che sono stati derivati ​​da caratteristiche di assemblaggi minerali noti. Di conseguenza, l’analisi delle associazioni sfrutta la potenza dei metodi di apprendimento automatico multidimensionale per fare previsioni relative alla diversità e alla distribuzione dei minerali nello spazio e nel tempo.

Impiegando l’apprendimento di tali regole con varie metriche, l’analisi delle associazioni di minerali può essere utilizzata per rispondere a molte domande di interesse scientifico.

«Tra queste – dicono i ricercatori – qual è l’inventario dei minerali in una località di interesse? Quali sono i luoghi più probabili per trovare una nuova occorrenza di una specifica specie minerale? Quali i luoghi più probabili per individuare un insieme di minerali corrispondente a un determinato ambiente geologico?».

Tre anni di lavoro

I ricercatori hanno cominciato a testare il loro modello nell’ottobre 2020 richiedendo posizioni per rutherfordine, andersonite, schröckingerite, bayleyite e zippeite. Per efficienza, hanno impostato parametri in cui vengono mostrate solo le previsioni con un livello di “confidenza” del 70% o superiore.

Il modello ha restituito quattro località previste per rutherfordine, una delle quali è stata successivamente confermata in Italia; uno per andersonite, che deve ancora essere confermato; uno per la schröckingerite, confermato in Colorado; due per la bayleyite, di cui entrambe le sedi nello Utah erano già state sospettate; e sette per zippeite, di cui uno confermato in Repubblica Ceca.

Un altro ciclo di test, incentrato esclusivamente sugli elementi di terre rare, ha previsto località per monazite, allanite e spodumene, minerali che vengono utilizzati anche per la produzione di batterie elettroniche. Sono state confermate 12 località per monazite, 13 per allanite e una per lo spodumene.

Il bello è che il modello può essere applicato anche su altri pianeti. Basandoci su ciò che sappiamo delle storie geologiche e astrobiologiche della Luna o di Marte, ad esempio grazie a meteoriti e analisi pregresse, l’IA un giorno potrebbe aiutare a localizzare i minerali in tutto il sistema solare, risolvendoci più di un problema.