Traducido del inglés al español - www.onlinedoctranslator.

com

WakkaWakka! La próxima fuerza laboral de la Oda a un truco épico La PARA EL

Una máquina de turismo que industria de chipsEstados Unidos carrera para atrapar a los TECNOLOGÍA
creadores de la botnet Mirai
PERSONA ENTERADA
obras de teatropac man-despacio necesita 50.000 nuevos ingenieros
P.16 P.28 P.42 JUNIO 2023

La gran búsqueda del tesoro de la IA

Nos estamos quedando sin metales críticos para las baterías de vehículos eléctricos.
¿Puede el aprendizaje automático ayudar a descubrir más?
Los geólogos Martin Tuchscherer
[izquierda] y Patrice Rioux se paran en
medio de un campo de rocas en
Nunavik, Que., Canadá. Las
predicciones de los modelos de IA
pueden identificar posibles depósitos
de minerales explotables en un área
extensa.

La IA busca minerales ocultos

El aprendizaje automático está descubriendo montones de datos vitales
Metales de la batería EVPor JOSH GOLDMAN Y KURT HOUSE

22!!SPECTRUM.IEEE.ORG!!JUNIO 2023
 Una forma de encontrar posibles
depósitos de minerales explotables es
usar un bucle de bobina transmisora
[abajo], que, similar a un
detector de metales que usaría
en una playa, detecta
corrientes en conductivo
cuerpos en las profundidades del subsuelo.

I
n junio de 2022, seis Boeing 737—totalmente cargado con tiendas de
campaña, comida, equipo de Internet satelital, drones, equipo de
estudio geofísico, equipo de perforación y un equipo de geólogos
experimentados— voló a una pista de aterrizaje remota en el norte de
Quebec. Los geólogos buscaban depósitos importantes de los minerales
necesarios para impulsar un futuro de energía limpia. Dada la
combinación de computación científica de vanguardia y fanfarronería de la
vieja escuela, era como si estuvieran canalizando a Alan Turing e Indiana
Jones simultáneamente.•Nuestra startup, KoBoldMetals, adquirió una
propiedad minera de 800 kilómetros cuadrados en esta región de Canadá
basándose en parte en las predicciones de nuestros sistemas de
inteligencia artificial. Según la IA, había buenas razones para creer que
encontraríamos valiosos depósitos de níquel y cobalto enterrados bajo la
superficie. El deshielo de verano en esta área cercana al Ártico creó una
breve ventana para traer el equipo y el personal de un pequeño pueblo
para probar nuestras predicciones.
 Para inspeccionar grandes áreas rápidamente, KoBold utiliza un
helicóptero [derecha] que lleva un bucle de bobina transmisora de 35
metros de diámetro que puede detectar cuerpos conductores, como
depósitos de minerales, debajo de la superficie. Los datos de
conductividad de los levantamientos de helicópteros de KoBold se pueden
usar para producir modelos de posibles distribuciones subterráneas
[extremo derecho]. El azul representa roca ígnea no conductora, mientras
que los círculos amarillo, naranja y rojo indican áreas de conductividad, de
menor a mayor conductividad.

50 ESENCIAL PROYECTADO Cobre:

BRECHAS DE SUMINISTRO DE METALES
50
EN 2050
Miles de kilotoneladas
40

30

Fuente:
KoBold
20 Rieles Níquel:
dieciséis

10
Litio: Cobalto:
2.5 3.15

Cofundamos KoBold en 2018 con el respaldo de Breakthrough
EnergyVentures de Bill Gates y la firma de capital de riesgo de SiliconValley,
Andreessen Horowitz. Nuestro objetivo es desarrollar formas de descubrir
nuevos depósitos importantes de metales vitales necesarios para las baterías
de vehículos eléctricos (EV), para los cuales existe una necesidad enorme y
creciente.
Estamos tratando de transformar la exploración de minerales de un
proceso manual de prueba y error guiado por juicio en una ciencia
escalable y basada en datos. Es la madre de todos los problemas de
una aguja en un pajar: encuentre los importantes depósitos explotables
de cobalto, cobre, litio y níquel que descansan entre 100 y 2000 metros
de profundidad en la superficie de la Tierra.
poderes que otorga para incentivar la producción nacional de los minerales
necesarios en las baterías de los vehículos eléctricos. La Ley de Reducción de la
Inflación, promulgada en agosto de 2022, incluyó miles de millones de dólares para
subsidiar el desarrollo y la operación de minas de metales, tanto en los Estados
Unidos como a nivel mundial.
Los inversores también son conscientes del desafío de la oferta.
En febrero de 2022, KoBold recaudó $192,5 millones en
financiamiento de la Serie B, que se destinó a asegurar más de 50
sitios de exploración en Australia, Canadá, Groenlandia, África
subsahariana y los Estados Unidos. proceso de descubrimiento de
nuevos yacimientos minerales. Una vez que se descubran,
planeamos asociarnos con compañías mineras para las

PAG
!"#"$% &$' %(" )*+%Los impactos catastróficos del cambio
climático requieren lograr cero emisiones netas de gases de
efecto invernadero para 2050, lo que incluye, entre muchas
otras cosas, reemplazar todos los combustibles fósiles.
coches ligeros y camiones con vehículos eléctricos. Eso, a su vez, requerirá la
fabricación de miles de millones de baterías EV. Incluso la demanda actual de los
metales supera la oferta, como lo demuestra la duplicación de los precios del níquel
y la quintuplicación de los precios del litio durante el último año. Para realizar una
operaciones mineras reales y asesorarlas sobre la extracción
eficiente, nuevamente utilizando nuestras herramientas de IA.
, * ! %(*-+.$/+ *, 0".!+ ,los humanos han notado las sorprendentes
apariencias de las rocas que contienen minerales útiles. Por ejemplo, los
sulfuros de hierro que son el mineral predominante en los depósitos de
sulfuro de níquel producen un óxido rojizo distintivo cuando se exponen al
aire y al agua de lluvia. La intemperie convierte el sulfuro de cobre en una
variedad de minerales de colores brillantes, incluidos los verdes brillantes
TODAS LAS FOTOS: METALES KOBOLD

transición global a los vehículos eléctricos, necesitaremos descubrir y extraer
cobalto, cobre, litio y níquel por un valor adicional de 15 billones de dólares
estadounidenses para mediados de siglo. (Actualmente estamos en el objetivo de
extraer alrededor de $ 3,6 billones de estos metales para 2050).
Los líderes mundiales son muy conscientes de la necesidad. En los Estados
Unidos, por ejemplo, el presidente Biden invocó la Ley de Producción de Defensa
de la era de la Guerra Fría en marzo de 2022 para usar el poder presidencial.
que se encuentran en la pátina de la Estatua de la Libertad. Estas pistas
visuales fueron, durante miles de años, una de las formas más fiables de
distinguir los minerales y metales útiles de las rocas inútiles.
La tasa de exploración exitosa de la industria minera, es decir, la
cantidad de descubrimientos de grandes depósitos encontrados por dólar
invertido, ha estado disminuyendo durante décadas. En KoBold, a veces
hablamos de la "ley de minería de Eroom". Como su nombre invertido

24!!SPECTRUM.IEEE.ORG!!JUNIO 2023
sugiere, es como lo opuesto a la ley de Moore. De acuerdo con la ley de
minería de Eroom, la cantidad de depósitos de mineral descubiertos por
dólar de capital invertido se ha reducido en un factor de 8 durante los
últimos 30 años. (La ley de Eroom original se refiere a una tendencia similar
en el costo de los nuevos descubrimientos farmacéuticos).
Geológicamente hablando, la disminución de nuevos descubrimientos se debe en
gran medida a que se han encontrado la mayoría de los depósitos fáciles de detectar,
como los que se encuentran en la superficie. Los nuevos descubrimientos serán más
profundos bajo tierra, ocultos por capas de roca.
De hecho, la gran mayoría de los yacimientos de minerales de la Tierra
todavía están esperando ser encontrados. Los procesos químicos y físicos
que forman estos minerales ocurren a temperaturas y presiones que existen
kilómetros debajo de la superficie. Es decir, estos depósitos de mineral no se
forman en la superficie; los procesos tectónicos traen allí solo una pequeña
minoría de ellos mucho después de que se formaron. Esa pequeña minoría
constituye la mayor parte de los depósitos que se extraen hoy. La industria
minera tiene el equipo y la tecnología para explotar depósitos de mineral
que se encuentran a gran profundidad bajo tierra; el problema es encontrar
esos depósitos en primer lugar.
Se podría esperar que la industria minera esté invirtiendo fuertemente
en exploración, así como en I+D para mejorar sus métodos de exploración.
Pero no lo es. Durante las últimas décadas, las grandes empresas han
confiado menos en sus propios programas de exploración y más en la
adquisición de descubrimientos realizados por otras empresas. Los
accionistas de las empresas mineras esperan dividendos, no innovación.
A
! psestamos tratando la exploración como un problema
de información: encontrar y analizar múltiples tipos de
datos para descubrir lo que estamos buscando. En
particular, es un problema de información en
que adquirir más de esos tipos de datos tiene un alto costo. Nuestra
solución es combinar sistemas de inteligencia artificial con experiencia
en geociencias para descubrir qué información reduce más nuestra
incertidumbre.
Existe una gran cantidad de información geocientífica que ya es de
dominio público, pero está dispersa y fragmentada. Una parte proviene de
estudios geológicos financiados por el gobierno y otra parte proviene de
estudios realizados por empresas privadas a las que se les pidió que hicieran
públicos sus hallazgos. Esta información se distribuye en millones de
conjuntos de datos, incluidos mapas geológicos que muestran los tipos de
rocas observadas en di" ubicaciones diferentes; mediciones geoquímicas de
las concentraciones de docenas de elementos en muestras de roca, suelo,
núcleos de perforación, plantas y agua subterránea; mediciones geofísicas
de la fuerza gravitacional
campo, campo magnético, corrientes eléctricas naturales e inducidas, ondas
sísmicas y radiación de la descomposición de núcleos de elementos pesados
en la corteza terrestre; imágenes satelitales, tanto en bandas visuales como
infrarrojas, que miden la reflectancia espectral de los minerales en la
superficie de la Tierra; e informes de texto que describen las observaciones
de campo. El volumen de datos es, en una palabra, abrumador.
Además, estos conjuntos de datos van desde mediciones de
espectrometría de masas de última generación hasta mapas centenarios
pintados a mano sobre lino. Cada conjunto de datos es útil y, combinado de
la manera correcta, la colección completa es potente, si puede encontrarle
sentido.
Nuestro sistema de datos, llamado TerraShed, analiza esta
información y la convierte en un formato estándar para que tanto
humanos como algoritmos puedan acceder a ella y buscarla. Curar
los datos y someterlos a control de calidad son solo los primeros
pasos. Luego usamos varios algoritmos para guiar nuestras
decisiones sobre qué datos recopilar en cada etapa del proceso de
exploración, desde tener una idea de si vale la pena explotar un
depósito en particular hasta la construcción de la mina en sí.
TerraShed no produce mapas del tesoro simplistas: no
escupe una "X marca el lugar" en respuesta a los datos. En
cambio, tenemos cientos de diferentes módulos propietarios
que guían cada decisión en el proceso de exploración.
Nuestro programa de exploración en el norte de Quebec proporciona un buen caso de
estudio. Comenzamos utilizando el aprendizaje automático para predecir dónde era más
probable que encontráramos níquel en concentraciones lo suficientemente significativas
como para que valiera la pena extraerlo. Entrenamos nuestros modelos utilizando los
datos disponibles sobre la física subyacente de una región. y geología, y complemente los
resultados con los conocimientos expertos de nuestros geólogos. En Quebec, los modelos
nos indicaron terrenos a menos de 20#km de las minas actualmente en funcionamiento.
Después de que adquirimos los derechos sobre la tierra pertinentes,
nuestros geólogos trabajaron en un campamento en el sitio, haciendo
observaciones y tomando medidas de los afloramientos rocosos. A lo largo
de los más de 800 km2De nuestras afirmaciones, la elección de qué rocas
muestrear es prácticamente ilimitada. Sin embargo, el tiempo y el dinero no
lo son, y #en la región en la que estábamos trabajando, hay menos de un
período de tres meses cuando el suelo está libre de nieve.
Entonces, el desafío de la información se convierte en: ¿Cómo decidimos
qué rocas muestrear?
Construimos Machine Prospector, que comprende los modelos de
aprendizaje automático, con datos históricos, como información de
descubrimientos anteriores en otras partes de la provincia. Nos ayudó
a predecir qué rocas deberíamos muestrear, dada la
JUNIO 2023!!SPECTRUM.IEEE.ORG!!25

tiempo limitado que teníamos. Específicamente, buscábamos lugares donde
procesos geológicos de eones de duración hubieran formado depósitos de
sulfuro magmático ricos en níquel y cobalto.
Predicciones en mano, nuestros geólogos de campo se
desplegaron. Algunos se dirigieron a los lugares que parecían más
propensos a producir estos sulfuros magmáticos. Otros fueron a
lugares donde las predicciones eran más inciertas. La recopilación de
datos de lugares con predicciones inciertas mejora la próxima
generación de modelos más que simplemente recopilar datos donde
los modelos ya tienen confianza.
Cuando el equipo de campo regresó al campamento por la noche, cargaron los
datos de ese día vía satélite. Nuestros científicos de datos, que trabajan en todo el
mundo, volvieron a entrenar los modelos en función de los nuevos puntos de
datos. Las nuevas predicciones resultantes cambiaron el mapa de posibles sitios de
muestreo en toda la región y guiaron las decisiones del equipo sobre dónde ir a
continuación. Al incorporar nueva información de campo casi en tiempo real, las
predicciones adaptativas de nuestro modelo acortaron efectivamente el ciclo de
aprendizaje de una estación a un día.
Nuestros modelos generaron predicciones con un 80 % menos de falsos
positivos y falsos negativos en comparación con las predicciones convencionales de
los mapas geológicos. Dichos mapas se construyen haciendo observaciones de las
rocas en un número relativamente pequeño de ubicaciones y luego utilizando un
conjunto de reglas y principios para extender esas observaciones a regiones más
grandes. Eso significa que las predicciones convencionales son en gran parte
inferencias y, lo que es peor, resultan
26!!SPECTRUM.IEEE.ORG!!JUNIO 2023
El geólogo Dave Freedman [izquierda] se encuentra detrás de
una fila de muestras de núcleos en el sitio de Cape Smith de
KoBold en Nunavik, Que., Canadá, tomadas de áreas de
interés para confirmar las predicciones de la IA. Las manchas
parduscas en la muestra del núcleo de arriba, KSC 22!07,
revelan la presencia de pirrotita magmática.
en la incertidumbre no cuantificada. En otras palabras, no sabemos lo que no
sabemos acerca de cuán precisos son esos mapas. En comparación, los
modelos predictivos de KoBold cuantifican la incertidumbre, lo que a su vez
guía nuestra recopilación de datos, ya que las rocas más inciertas a menudo
representan las más valiosas para muestrear.
T
!" #"$%&'$ (#)*uno de nuestros reclamos en juego
durante esa temporada de campo de 2022 en el norte de
Quebec son un ejemplo perfecto de cómo nuestro enfoque
único de exploración da sus frutos.
Guiados por los resultados de nuestros sistemas de inteligencia artificial,
nuestro equipo de campo encontró un gran campo de rocas que la geóloga
Lucie Mathieu identificó como muy anómala y no típica del tipo de roca ígnea
que constituye la mayoría de las rocas de la región.
El campo de rocas originalmente despertó nuestro interés
después de que las mediciones electromagnéticas que
habíamos tomado indicaran una conductividad inusualmente
alta, consistente con los tipos de minerales que buscábamos.
estudio electromagnético de dominio. Para estos estudios, el
transmisor genera pulsos de corriente a través del bucle a 7,5
hercios, lo que induce corrientes en los materiales
conductores subterráneos. Cuando finaliza el pulso del
transmisor, la bobina del receptor detecta el decaimiento de
esas corrientes subterráneas inducidas, lo que nos permite
construir un modelo tridimensional de las rocas del subsuelo.
conductividad La alta conductividad eléctrica de los minerales que
estamos buscando es solo una de varias cosas que podemos usar para
distinguir el mineral de otra roca.
El uso de helicópteros y equipos de reconocimiento
geofísico es caro, y en el norte las ventanas de buen
tiempo son breves e impredecibles. entre la cobertura
aérea y la resolución espacial, son consideraciones vitales.
Podemos utilizar los datos recopilados para construir modelos
tridimensionales de las ubicaciones probables del mineral en el subsuelo, que
Audry Afango [extremo izquierdo] y Morgan McNeill trabajan con un receptor en un bucle
electromagnético de tierra en medio de un campo de rocas angulares en Nunavik, Que.,
Canadá. A la derecha, McNeill, un técnico en geofísica, utiliza un dispositivo de interferencia
cuántica superconductora (SQUID) para realizar un estudio electromagnético terrestre para
detectar campos magnéticos débiles de cuerpos conductores subterráneos.
es un problema computacionalmente difícil. En pocas palabras,
tenemos un conjunto limitado de medidas de los campos inducidos
tomadas en un plano bidimensional justo encima de la superficie, y de
eso estamos tratando de inferir las propiedades (aquí, la conductividad)
de un volumen tridimensional del subsuelo Hay un número infinito de
configuraciones de roca del subsuelo que son consistentes con los
datos de la superficie.
El enfoque convencional en la industria es construir un modelo de mejor
estimación que intente ajustar una gran cantidad de parámetros, que
pueden superar fácilmente la cantidad de puntos de datos. Cualquiera que
haya tratado de resolver un sistema denorteecuaciones para 2norte
desconocidos sabe que no existe una solución única para el problema. Los
métodos tradicionales utilizados en la industria para elegir una de las
muchas soluciones potenciales a menudo pueden incorporar suposiciones
que son inconsistentes con los procesos geológicos y son propensas al sesgo
de confirmación.
Para hacerlo mejor, cuantificamos la incertidumbre en nuestras
predicciones sobre el subsuelo. Nuestros modelos de aprendizaje
automático se entrenan con muchos menos parámetros que los modelos
tradicionales de estimación óptima, y los parámetros están directamente
relacionados con las preguntas clave de exploración: ¿Cuántos cuerpos
conductores hay presentes? ¿Qué tan profundos son? ¿Cuál es su
orientación? ¿Está su conductividad en el rango que es consistente con altas
concentraciones de minerales de mena? El resultado de nuestros modelos es
la distribución de probabilidad conjunta de estos parámetros.
En última instancia, los datos más útiles para recopilar son los que
reduce la incertidumbre de encontrar un depósito
de mineral que se pueda explotar. Junto con
nuestros colaboradores de la iniciativa #Mineral-X
de la Universidad de Stanford, hemos
desarrollado una forma novedosa de cuantificar la
utilidad de un dato incremental. Publicamos el
marco, al que llamamos "eficacia de la
información", enInvestigación de Recursos
Naturalesen marzo de 2022, y lo usamos para
diseñar nuestro programa de perforación para
nuestra exploración del norte de Quebec y para
nuestras otras expediciones.
En el transcurso del verano en Quebec,
perforamos 10 pozos de exploración, cada uno a
más de un kilómetro de distancia del anterior.
Cada ubicación de perforación se determinó
combinando los resultados de nuestros modelos
predictivos con el juicio experto de nuestros
geólogos. En cada caso, los datos recopilados
indicaron que encontraríamos cuerpos
conductores en el entorno geológico correcto (en
otras palabras, posibles depósitos de minerales
explotables) debajo de la superficie. En última
instancia, llegamos a la mineralización de sulfuro
de níquel en 8 de los 10 pozos de perforación, lo
que equivale fácilmente a 10 veces mejor que el
promedio de la industria para pozos de
perforación aislados de manera similar.
También nos complació lo precisas y
específicas que fueron las predicciones. Por
ejemplo, en el agujero KSC-22-004, nuestros
científicos de datos predijeron que un cuerpo
conductor estaría ubicado en algún lugar entre
130 y 170 metros bajo la superficie. Al perforar,
encontramos rocas altamente conductoras a 146 metros.
Ese descubrimiento en particular se realizó solo unos días antes del final de la
temporada de campo. Los datos ayudaron a definir la geología del subsuelo para
que nuestro equipo comience la próxima temporada, que comienza pronto,
haciendo los pozos de perforación más efectivos para establecer la forma y el
tamaño de ese mineral. depósito.
Suponiendo que el depósito de mineral y otros que hemos comenzado a
identificar en el área resulten tan prometedores como esperamos, estaremos bien
encaminados hacia otra mina para uno de los metales cruciales necesarios para
electrificar el planeta. Colectivamente, el mundo necesita que se desarrollen al
menos 1,000 nuevas minas para mediados de siglo para proporcionar suficientes
metales críticos para producir suficientes vehículos eléctricos y evitar las peores
consecuencias del cambio climático. Esa es una tarea difícil. Pero al aplicar nuevos
sistemas de inteligencia artificial como el de KoBold, es posible que podamos
descubrir nuevas oportunidades lo suficientemente rápido.
JUNIO 2023!!SPECTRUM.IEEE.ORG!!27