La grande quête technologique pour trouver les métaux nécessaires à la refonte énergétique

Une partie de la raison pour laquelle l’entreprise a concentré ses efforts initiaux sur le Canada est que le pays possède de grandes quantités de données d’arpentage dans le domaine public, y compris des rapports de terrain narratifs, des cartes géologiques anciennes, des données géochimiques sur des échantillons de trous de forage, des données de levés magnétiques et électromagnétiques aéroportés. , des lectures lidar et des images satellite couvrant plusieurs décennies d’exploration.

« Nous avons un système dans lequel nous pouvons ingérer toutes ces données et les stocker dans des formats standard, contrôler la qualité de toutes les données, les rendre consultables et pouvoir y accéder par programmation », explique Goldman.

L’élan de la haute technologie

Une fois qu’elle a compilé toutes les informations disponibles pour un site, l’équipe de KoBold explore les données en utilisant l’apprentissage automatique. La société pourrait, par exemple, créer un modèle pour prédire quelles parties des gisements de minerai ont les concentrations les plus élevées de cobalt, ou créer une nouvelle carte géologique d’une région montrant tous les différents types de roches et structures de failles. Il peut ajouter de nouvelles données à ces modèles au fur et à mesure de leur collecte, permettant à KoBold de modifier de manière adaptative sa stratégie d’exploration «presque en temps réel», explique Goldman.

Le Canada met des ensembles de données et d’autres informations à la disposition du public, comme cette image de la Saskatchewan générée par lidar.

GOUVERNEMENT DU CANADA

KoBold a déjà utilisé les connaissances de modèles d’apprentissage automatique pour acquérir ses concessions minières canadiennes et développer ses programmes sur le terrain. Son partenariat avec Stanford’s Centre de prévision des ressources terrestres, en cours depuis février, ajoute une couche d’analyse supplémentaire au mélange sous la forme d’un « agent de décision » d’IA qui peut définir un plan d’exploration complet.

Le géoscientifique de Stanford, Jef Caers, qui supervise la collaboration, explique que ce décideur numérique quantifie l’incertitude dans les résultats du modèle de KoBold, puis conçoit un plan de collecte de données pour réduire séquentiellement cette incertitude. Comme un joueur d’échecs essayant de gagner une partie en aussi peu de coups que possible, l’IA visera à aider KoBold à prendre une décision sur un prospect avec un minimum d’efforts gaspillés, que cette décision soit de forer à un endroit particulier ou de s’éloigner.