AI尋找隱藏的電池金屬大秘寶

KoBold Metals的技術繪製了電動車電池礦物的可能儲量圖

作者: JOSH GOLDMAN  來源: IEEEE Spectrum

2022年6月,六架裝滿帳篷、食物、衛星互聯網設備、無人機、地球物理測量裝備、鑽探設備和一支經驗豐富的地質學家團隊的波音737飛往加拿大北部的一個偏遠機場。地質學家們正在尋找主要礦藏,以供清潔能源未來使用。結合尖端科學計算和老派的勇氣,就好像他們同時在追隨阿倫·圖靈和印第安納·瓊斯。

我們的初創公司KoBold Metals在該地區購買了一個800平方公里的礦權,部分是基於我們人工智慧系統的預測。根據人工智慧的說法,我們有充分的理由相信地下埋藏著有價值的鎳和鈷礦床。這個接近北極的地區的夏季融雪為我們帶來了一個短暫的機會,可以帶來一個小村莊的設備和人員來測試我們的預測。

我們於2018年與比爾·蓋茨的突破能源風投和矽谷風投公司安德森·霍洛維茨共同創辦了KoBold。我們的目標是開發方法,以發現電動車電池所需的重要金屬的重大新礦床,這是一個巨大且不斷增長的需求。

我們正試圖將礦物勘探從一個手動、判斷引導的試錯過程轉變為數據驅動和可擴展的科學。這是一個大海撈針的問題:在地球表面100到2000米深處找到可開採的鈷、銅、鋰和鎳礦床。

世界需要更多的金屬

要防止氣候變化的最災難性影響,需要在2050年實現凈零溫室氣體排放,其中包括將所有燃燒化石燃料的輕型汽車和卡車替換為電動車。這又將需要製造數十億個電動車電池。即使是現在的金屬需求也超過了供應,就像過去一年鎳價格翻倍,鋰價格增加五倍一樣。要實現全球向電動車的過渡,到2050年,我們需要發現和開採價值15兆美元的鈷、銅、鋰和鎳礦床(到2050年,我們目前的開採目標價值約為3.6兆美元)。

世界領導人都很清楚這種需求。例如,在美國,拜登總統於2022年3月援引了冷戰時期的國防生產法案,利用其賦予的總統權力,鼓勵國內生產電動車電池所需的礦物。通脹減少法案於2022年8月簽署成為法律,其中包括數十億美元的資金用於補貼美國和全球金屬礦山的開發和運營。

投資者也意識到供應挑戰。2022年2月,KoBold在B輪融資中獲得1.925億美元,用於在澳大利亞、加拿大、格陵蘭、撒哈拉以南非洲和美國等地確保50多個勘探地點。我們計劃使用人工智慧來簡化發現新礦床的過程。一旦發現,我們計劃與採礦公司合作進行實際的採礦作業,並使用我們的人工智慧工具為他們提供高效的提取建議。

電池金屬豐富,但難以發現

幾千年來,人類已經注意到含有有用礦物的岩石的引人注目外觀。例如,鎳硫化物礦床中的主要礦物鐵硫化物在暴露於空氣和雨水時會產生明顯的紅銹。風化將銅硫化物轉化為各種明亮的顏色,包括自由女神像表面的綠色。這些視覺線索在幾千年來一直是區分有用礦物和金屬與無用岩石的最可靠方法之一。

礦業行業的成功勘探率(指每投資一美元發現的大型礦床數量)數十年來一直在下降。在KoBold,我們有時談到“礦業的Eroom定律”。與摩爾定律相反,根據Eroom定律,每投資一美元的資本,發現的礦床數量已經減少了8倍,這是在過去30年間的情況。(原始的Eroom定律是指新藥發現成本的類似趨勢。)

從地質學角度來看,新發現減少主要是因為大多數容易發現的礦床,例如地表上的礦床已經被發現。新的發現將位於更深的地下,被岩石層所掩藏。

事實上,地球上絕大部分的礦床仍然等待被發現。形成這些礦床的化學和物理過程發生在地表下數公里處的高溫高壓環境中。也就是說,這些礦床不是在地表形成的;板塊運動過程只會在形成礦床之後很長一段時間將其中的一小部分帶到地表。這一小部分礦床卻佔了如今開採的大部分。採礦業具備開採深層地下礦床的設備和技術,問題在於首先要找到這些礦床。

你可能會期望採礦業在勘探方面大舉投資,同時也在研發上改進勘探方法。但實際情況並非如此。過去幾十年來,大型公司越來越少依賴自己的勘探計劃,而更多地依靠收購其他公司的發現。採礦公司的股東期望的是股息,而不是創新。

AI尋寶

在KoBold,我們將勘探視為一個資訊問題-通過找到和分析多種類型的數據來揭示我們所尋找的東西。特別是,這是一個資訊問題,其中獲取更多這些數據類型的成本很高。我們的解決方案是將AI系統與地球科學專業知識相結合,找出哪一個數據可以最大程度地減少我們的不確定性。

已經有大量的地球科學信息在公共領域中,但它是分散和分散的。其中一些來自政府資助的地質調查,一些來自於被要求公開其研究結果的私營公司的調查。這些資訊分散在數百萬個數據集中,包括顯示不同位置觀察到的岩石類型的地質地圖;岩石、土壤、鑽孔心樣、植物和地下水樣品中數十種元素濃度的地球化學測量;地球引力場、磁場、自然和誘導電流、地震波和地球地殼中重元素核衰變產生的輻射的地球物理測量;衛星圖像-包括可見光和紅外波段-測量地球表面礦物的光譜反射率;以及描述現場觀察的文本報告。數據的量是壓倒性的。

而且,這些數據集從最先進的質譜測量到百年前手繪在亞麻布上的地圖都有。每個數據集都是有用的,而且如果以正確的方式結合起來,如果你能理解它整個集合就是強大的-。

你可能會期望採礦行業在勘探方面投入大量資金,以及在研發方面改進其勘探方法。但事實並非如此。

我們的數據系統名為TerraShed,它解析這些數據並將其轉化為標準形式,以便人類和演算法都可以存取和搜索。整理數據並進行品質控制只是第一步。然後,我們使用各種算法來指導我們在勘探過程的每個階段收集哪些數據,從對一個特定礦床是否值得開採的了解,一直到礦山的建設。

TerraShed不會生成簡單的寶藏地圖:它不會根據數據輸出“X標記的地點”。相反,我們有數百個不同的專有模組,引導勘探過程中的每個決策。

我們在加拿大北部的勘探計劃提供了一個很好的案例研究。我們首先使用機器學習來預測我們最有可能找到足夠大的鎳礦床。我們使用該地區底層物理和地質的任何可用數據來訓練我們的模型,並通過我們的地質學家的專業見解補充結果。在魁北克,模型將我們指向距離目前正在運營的礦山不到20公里的土地。

在我們獲得相關土地權利之後,我們的地質學家在現場的一個野外營地工作,觀察岩石露頭並進行測量。在我們的所有權力範圍的800多平方公里內,可以選擇的岩石樣品幾乎是無窮無盡的。然而,時間和金錢是有限的-而且在我們工作的地區,地面上沒有雪的時間不到三個月。

因此,資訊挑戰變成了:我們如何決定採集哪些岩石樣品?

我們建立了機器探勘者,其中包括機器學習模型和歷史數據,例如該省略其他地方所發現的數據。它幫助我們預測在有限的時間內應該採集哪些岩石樣品。具體而言,我們正在尋找的是在長達幾個世紀的地質過程中形成的富含鎳和鈷的岩漿硫化物礦床的位置。

有了預測結果,我們的野外地質學家展開行動。有些人前往看似最有可能產生這些岩漿硫化物的地方。其他人則前往預測最不確定的地點。從具有不確定預測的地方收集數據比從模型已經確定的地方收集數據更能改進下一代模型。

當地勘隊在晚上返回營地時,通過衛星上傳當天的數據。我們的數據科學家遍布全球,根據新的數據點重新訓練模型。由此產生的新預測改變了整個地區潛在樣本點的地圖,並指導了團隊下一步的決策。通過幾乎實時地納入新的現場數據,我們模型的適應性預測有效地將學習周期從一個季度縮短到一天。

與地質圖的常規預測相比,我們的模型生成的預測具有80%更低的偽陽性和偽陰性率。這些地圖是通過在相對較少的地點觀察岩石,然後使用一組規則和原則將這些觀察擴展到更大的區域來構建的。這意味著常規預測主要是推斷,更糟糕的是,它們導致了未量化的不確定性。換句話說,我們不知道這些地圖的準確性。相比之下,KoBold的預測模型確實量化了不確定性,這反過來指導了我們的數據收集,因為最不確定的岩石通常代表著最有價值的樣本。

人工智能優於常規勘探

我們在2022年在加拿大北部的一個申請權期間的結果是我們獨特的勘探方法取得成功的完美例子。

在我們的AI系統的指導下,我們的現場團隊發現了一個大型的石頭場,地質學家Lucie Mathieu將其識別為非常異常,並且不典型於該地區大部分石頭的火成岩。

在電磁測量顯示出異常高的導電率時,石頭場引起了我們的興趣-這與我們正在尋找的礦物種類一致。電磁數據是由一架直升機拖曳一個直徑為30.5米的發射器線圈環進行每日時域電磁測量收集的。對於這些測量,發射器以7.5赫茲的頻率通過線圈脈沖電流,從而在地下導電材料中誘導電流。當發射器脈沖結束時,接收器線圈檢測到這些誘導地下電流的衰減,使我們能夠建立地下岩石導電率的三維模型。我們正在尋找的礦石礦物的高電導率只是可以用來區分礦石和其他岩石的幾個特徵之一。

使用直升機和地球物理測量設備是昂貴的,而且在北方,良好天氣的時間窗口短暫且不可預測。我們派遣直升機的地點以及如何平衡空中覆蓋範圍和空間分辨率是至關重要的考慮因素。

我們可以使用收集到的數據建立地下可能的礦石位置的三維模型,這是一個計算上困難的問題。簡單地說,我們只有在地表上方的二維平面上進行的誘導場的有限測量集,並且我們試圖從中推斷出地下岩石的性質(在這裡是導電率)。存在無數個與地表數據一致的地下岩石配置。

行業中的常規方法是建立一個試圖擬合大量參數的最佳估計模型,這些參數往往超過數據點的數量。任何嘗試解決2n未知數的n個方程組的人都知道,這個問題沒有唯一的解。行業中使用的傳統方法通常會包含與地質過程不一致且容易受到偏見的假設。

為了做得更好,我們量化了對地下預測的不確定性。我們的機器學習模型在比傳統的最佳估計模型少得多的參數上進行訓練,而這些參數與關鍵的勘探問題直接相關:存在多少導電體?它們有多深?它們的方向是什麼?它們的導電率是否與高濃度的礦石礦物一致?我們模型的輸出是這些參數的聯合概率分布。

最終,最有用的數據是減少發現可開採的礦床的不確定性的數據。我們與斯坦福大學的Mineral-X計劃合作,開發了一種新的方法來量化增量數據的有用性。我們在2022年3月在《自然資源研究》雜誌上發表了這一框架,並將其用於設計我們在加拿大北部勘探和其他探險中的鑽探計劃。

在魁北克的整個夏季中,我們鑽探了10個勘探孔,每個孔距離上一個孔超過一公里。每個鑽探位置都是通過將我們的預測模型結果與地質學家的專業判斷相結合來確定的。在每個案例中,收集到的數據表明我們會在地表以下的合適地質環境中找到導電體,換句話說,可能是可開采的礦石床。最終,我們在10個鑽探孔中有8個發現了含有硫化鎳的礦化體,這相當於與類似孤立鑽探孔的行業平均水平相比,好了10倍。

到中世紀中葉,我們還需要發現和開采價值15萬億美元的鈷、銅、鋰和鎳。

我們對預測的準確性和具體性也感到滿意。例如,在KSC-22-004號孔,我們的數據科學家預測導電體位於地表以下130至170米之間的某個位置。在鑽探時,我們在146米處遇到了高導電性的岩石。

這一發現是在野外季節結束前幾天做出的。數據有助於定義地下地質,以便我們的團隊在下個季節開始時,通過進行最有效的鑽探孔來確定該礦床的形狀和大小。

假設我們已經在該地區發現的礦床和其他礦床都像我們希望的有美好前景,我們將朝著為實現地球電氣化所需的關鍵金屬之一開展另一個礦山邁進。全球至少需要開發1,000個新礦山,以提供足夠的關鍵金屬來生產足夠的電動車,並避免氣候變化的最壞後果。這是一項艱巨的任務。但通過應用像KoBold這樣的新人工智能系統,我們也許能夠足夠快地挖掘出新的機遇。

新增留言