تهران- ایرنا- در شرایطی که رقابت جهانی برای دسترسی به ذخایر معدنی راهبردی هر روز پیچیده‌تر می‌شود، شاید بخشی از ثروت معدنی ایران نه در اعماق ناشناخته زمین، بلکه در میان انبوه داده‌هایی پنهان شده باشد که هنوز به‌درستی تحلیل و به تصمیم‌های عملیاتی تبدیل نشده‌اند. هوش مصنوعی می‌تواند این معادله را تغییر دهد؛ نه با پیشگویی محل قطعی ذخایر، بلکه با تبدیل داده‌های پراکنده زمین‌شناسی به اهداف اکتشافی دقیق‌تر، کاهش ریسک حفاری و هدایت سرمایه‌گذاری به سمت نقاطی که شواهد علمی بیشتری از کانی‌سازی در آن‌ها وجود دارد.
به گزارش گروه علمی ایرنا، عادل شیرازی، دانش‌آموخته پسادکتری مهندسی معدن دانشگاه صنعتی امیرکبیر و پژوهشگر این حوزه که در زمینه کاربردهای هوش مصنوعی و یادگیری ماشین در اکتشاف مواد معدنی، تفسیر داده‌های ژئوفیزیکی و مدل‌سازی زمین‌شناسی فعالیت می کند، اخیرا مقاله‌ای با عنوان «هوش مصنوعی ابزار اکتشاف است، نه نقشه گنج» در نشریه بین‌المللی European Scientist منتشر کرده است، ایرنا به همین بهانه، گفت‌وگویی با شیرازی ترتیب داده است.
وی با بیان اینکه مسئله امروز اکتشاف معدن در ایران صرفاً کمبود عملیات صحرایی یا حفاری نیست؛ اظهار داشت: مسئله مهم‌تر، چگونگی انتخاب محل درست برای انجام این عملیات است. هر گمانه اکتشافی هزینه‌ای قابل توجه دارد و هر تصمیم اشتباه می‌تواند منابع مالی، زمان و فرصت‌های سرمایه‌گذاری را از بین ببرد. در چنین شرایطی، ادامه روش‌هایی که داده‌های زمین‌شناسی، ژئوشیمی، ژئوفیزیک و سنجش از دور را به‌صورت جداگانه بررسی می‌کنند، نمی‌تواند پاسخگوی تمام پیچیدگی‌های اکتشاف نسل جدید باشد.
این پژوهشگر خاطرنشان کرد: در بسیاری از محدوده‌های معدنی کشور، اطلاعات ارزشمندی طی دهه‌ها عملیات زمین‌شناسی و اکتشافی تولید شده است؛ نقشه‌ها، نتایج نمونه‌برداری، داده‌های ژئوشیمیایی، برداشت‌های ژئوفیزیکی، تصاویر ماهواره‌ای و اطلاعات ساختاری. اما انباشت داده لزوماً به معنای تولید دانش نیست. زمانی این اطلاعات به ثروت تبدیل می‌شوند که بتوان ارتباط میان آن‌ها را کشف کرد، الگوهای پنهان را شناخت و از دل مجموعه‌ای پیچیده از شواهد، اهداف اکتشافی قابل دفاع استخراج کرد. این همان نقطه‌ای است که هوش مصنوعی می‌تواند نقش تعیین‌کننده‌ای ایفا کند.
وی تاکید کرد: هوش مصنوعی قرار نیست جای زمین‌شناس را بگیرد؛ قرار است قدرت تحلیل او را چند برابر کند. الگوریتم‌های یادگیری ماشین و یادگیری عمیق می‌توانند ارتباطات پیچیده میان داده‌های مختلف را شناسایی کنند؛ ارتباطاتی که گاهی در تحلیل‌های معمول، به دلیل حجم زیاد اطلاعات یا پیچیدگی روابط زمین‌شناختی، به‌سادگی قابل تشخیص نیستند. با این حال، یک نقشه پتانسیل معدنی تولیدشده توسط هوش مصنوعی، به‌خودی‌خود کشف یک ذخیره نیست. چنین نقشه‌ای فرضیه‌ای علمی درباره مکان‌های مستعد کانی‌سازی است و باید با شواهد زمین‌شناسی، بررسی میدانی، نمونه‌برداری و در نهایت حفاری اعتبارسنجی شود.
شیرازی با اشاره به اهمیت بسیار زیاد این تمایز، توضیح داد: اگر خروجی یک الگوریتم بدون ارزیابی مستقل و کنترل زمین‌شناختی به‌عنوان کشف قطعی معرفی شود، هوش مصنوعی به‌جای کاهش ریسک، می‌تواند به منبعی تازه برای خطای تصمیم‌گیری تبدیل شود. مدل موفق، مدلی نیست که صرفاً نقشه‌ای رنگارنگ و جذاب تولید کند؛ بلکه مدلی است که بتواند در محدوده‌هایی که در آموزش آن حضور نداشته‌اند نیز عملکرد قابل قبول داشته باشد و در آزمون‌های میدانی از پیش‌بینی‌های خود دفاع کند.
به گزارش ایرنا، در همین زمینه، یک نمونه پژوهشی در محدوده شهر بابک ایران، ظرفیت عملی این رویکرد را نشان می‌دهد. در مطالعه‌ای در زمینه پتانسیل‌یابی مس پورفیری که با نظارت «عادل شیرازی» انجام شده است، داده‌های زمین‌شناسی، ژئوشیمیایی و سنجش از دور با چارچوبی مبتنی بر خودرمزگذار و انتخاب ویژگی تلفیق شدند.
به گفته وی، در این پژوهش، با استفاده از ۱۴ رخداد معدنی شناخته‌شده به‌عنوان نقاط مرجع، نرخ پیش‌بینی مدل مبتنی بر ویژگی‌های منتخب به ۸۰ درصد رسید؛ در حالی که این مقدار برای استفاده از مجموعه کامل ویژگی‌ها ۷۲ درصد بود. اهمیت این نتیجه فقط در بهبود عملکرد آماری مدل نبود، بلکه در شناسایی نواحی اولویت‌دار برای ادامه عملیات اکتشافی معنا پیدا می‌کرد.
این پژوهشگر ادامه داد: اما بخش مهم‌تر ماجرا پس از تولید نقشه آغاز شد. اهداف پیشنهادی مدل در ادامه با بررسی‌های میدانی دنبال شدند، محدوده‌های مرتبط اعتبارسنجی شدند. این تجربه نشان می‌دهد که ارزش هوش مصنوعی زمانی آشکار می‌شود که خروجی آن از محیط محاسباتی و مقاله علمی خارج شود و در زنجیره واقعی تصمیم‌گیری معدنی مورد استفاده قرار گیرد. البته این تجربه به معنای آن نیست که هوش مصنوعی به‌تنهایی ذخیره معدنی را اثبات یا مجوز بهره‌برداری را صادر می‌کند؛ بلکه نشان می‌دهد چگونه می‌تواند مسیر انتخاب هدف، ارزیابی میدانی و پیگیری حقوقی محدوده‌های مستعد را هدفمندتر کند.
وی با توضیح اینکه در ایران، توسعه این رویکرد علمی با تلاش پژوهشگرانی همراه بوده است که کوشیده‌اند هوش مصنوعی را از سطح یک ابزار محاسباتی به بخشی از فرآیند واقعی اکتشاف معدن تبدیل کنند، بر ضرورت پیوند میان دانش زمین‌شناسی، الگوریتم‌های هوشمند و اعتبارسنجی میدانی تأکید دارد.
شیرازی، انتشار یادداشت تخصصی خود با عنوان «هوش مصنوعی ابزار اکتشاف است، نه نقشه گنج» در نشریه بین‌المللی European Scientist را نیز بازتابی از همین رویکرد ارزیابی کرد؛ اینکه فناوری باید در خدمت دانش زمین‌شناسی باشد و هیچ الگوریتمی نمی‌تواند جایگزین اعتبارسنجی علمی و میدانی شود.
وی تصریح کرد: با وجود این ظرفیت‌ها، نباید تصور کرد که صرف خرید نرم‌افزار یا استفاده از چند الگوریتم یادگیری ماشین، معدنکاری کشور را هوشمند خواهد کرد. یکی از موانع اصلی، پراکندگی داده‌ها، ناهمگونی فرمت‌ها، تفاوت کیفیت اطلاعات و محدودیت دسترسی به داده‌های استاندارد و قابل استفاده است. مدل هوش مصنوعی هرقدر هم پیشرفته باشد، اگر بر داده‌های ناقص، نامتوازن یا دارای خطا آموزش ببیند، خروجی آن نیز قابل اتکا نخواهد بود. بنابراین، ایجاد زیرساخت داده‌ای یکپارچه و استاندارد برای اکتشاف مواد معدنی، باید در اولویت سیاست‌گذاری این حوزه قرار گیرد.
این پژوهشگر پیشنهاد کرد که یک برنامه ملی با محوریت سازمان زمین‌شناسی و اکتشافات معدنی کشور، ایمیدرو، دانشگاه‌ها، شرکت‌های معدنی و شرکت‌های دانش‌بنیان طراحی شود؛ برنامه‌ای که در آن داده‌های اکتشافی موجود پس از پالایش، استانداردسازی و رعایت حقوق مالکیت و محرمانگی، برای توسعه مدل‌های هوشمند مورد استفاده قرار گیرند. در گام بعد، چند محدوده معدنی با ویژگی‌های زمین‌شناسی متفاوت به‌عنوان پایلوت انتخاب شوند تا مدل‌های توسعه‌یافته در شرایط واقعی و با آزمون‌های مستقل ارزیابی شوند.
به باور وی، این برنامه باید از یک رقابت صرفاً نرم‌افزاری فراتر برود. معیار موفقیت نباید تعداد الگوریتم‌ها، پیچیدگی مدل‌ها یا زیبایی نقشه‌های تولیدشده باشد؛ بلکه باید مشخص کند یک سامانه هوشمند تا چه اندازه توانسته است هزینه شناسایی اهداف را کاهش دهد، دقت اولویت‌بندی را افزایش دهد، تعداد حفاری‌های کم‌ثمر را محدود کند و احتمال دستیابی به اهداف اکتشافی جدید را بهبود ببخشد. همچنین لازم است نتایج مدل‌ها با داده‌های مستقل و عملیات میدانی ارزیابی شوند تا از تبدیل هوش مصنوعی به یک عنوان تبلیغاتی جلوگیری شود.
شیرازی در عین حال تاکید کرد که کاربرد این فناوری نیز نباید به مرحله اکتشاف محدود بماند و گفت: از پیش‌بینی رفتار ذخایر و بهینه‌سازی حفاری گرفته تا کنترل کیفیت مواد معدنی، افزایش بازیابی در کارخانه‌های فرآوری، مدیریت مصرف آب و انرژی، نگهداری پیش‌بینانه تجهیزات و ارتقای ایمنی، ظرفیت‌های گسترده‌ای برای استفاده از هوش مصنوعی وجود دارد. در واقع، معدن هوشمند زمانی شکل می‌گیرد که داده و تحلیل هوشمند در تمام مراحل زنجیره ارزش، از شناسایی ذخیره تا تولید محصول نهایی، جریان داشته باشد.
وی در معرفی راهکارهای ارتقای توان رقابتی کشورمان در حوزه اکتشاف معادن، بیان داشت: ایران برای تقویت جایگاه خود در بازار مواد معدنی، تنها به افزایش استخراج از ذخایر شناخته‌شده نیاز ندارد؛ بلکه باید توانایی خود را در کشف ذخایر جدید، ارزیابی دقیق‌تر منابع و کاهش هزینه‌های اکتشاف افزایش دهد. در جهان امروز، مزیت رقابتی فقط در اختیار کشوری نیست که ذخایر بیشتری دارد؛ کشوری برنده است که بتواند با دانش، فناوری و تصمیم‌گیری دقیق‌تر، منابع پنهان خود را زودتر و اقتصادی‌تر شناسایی کند.
به اذعان این پژوهشگر، شاید زمان آن رسیده باشد که پرسش اصلی سیاست‌گذاران معدن از «چه مقدار حفاری انجام داده‌ایم؟» به این پرسش تغییر کند: «چقدر هوشمندانه محل حفاری بعدی را انتخاب کرده‌ایم؟» پاسخ به همین پرسش می‌تواند مرز میان اکتشاف پرهزینه و اکتشاف هدفمند را مشخص کند. آینده معدن ایران الزاماً در حفاری‌های بیشتر خلاصه نمی‌شود؛ بخشی از این آینده در توانایی ما برای خواندن هوشمندانه داده‌هایی نهفته است که سال‌ها در اختیار داشته‌ایم، اما هنوز همه ظرفیت آن‌ها را به ثروت ملی تبدیل نکرده‌ایم.