粉红色锂辉石晶体。图片来源:Robert Lavinsky

　　通过利用矿物关联模式，一种新的机器学习模型可以预测地球上甚至其他行星上矿物的位置。这一进步对科学和工业具有巨大的价值，因为他们不断探索矿藏，以揭示地球的历史，并为可充电电池等实际应用开采资源。

　　Shaunna Morrison和Anirudh Prabhu领导的团队致力于开发一种方法来识别特定矿物的存在，这一目标传统上被认为是一门艺术，而不是一门科学。这一过程通常依赖于个人经验和一定的运气。

　　该团队创建了一个机器学习模型，该模型使用来自矿物演化数据库的数据，其中包括5478种矿物的295583个矿物位置，根据关联规则预测以前未知的矿物出现。

　　作者通过探索莫哈韦沙漠中的Tecopa盆地来测试他们的模型，这是一个众所周知的火星模拟环境。该模型还能够预测地质上重要的矿物的位置，包括铀矿蚀变、卢瑟福丁、安德生石、schr?ckingerite、贝莱石和紫佩石。

　　此外，该模型还定位了关键稀土元素和锂矿物的有希望的区域，包括独居石-(Ce)、allanite-(Ce)和锂辉石。根据作者的说法，矿物关联分析可以成为矿物学家，岩石学家，经济地质学家和行星科学家的强大预测工具。

　　参考文献:“通过矿物关联分析预测新的矿物出现和行星模拟环境”，作者:Shaunna M Morrison、Anirudh Prabhu、Ahmed Eleish、Robert M Hazen、Joshua J Golden、Robert T Downs、Samuel Perry、Peter C Burns、joolyon Ralph和Peter Fox, 2023年5月16日，PNAS Nexus。DOI: 10.1093 / pnasnexus / pgad110