La brecha tecnológica en la exploración de minerales críticos

El problema de suministro es un problema de exploración

El paso a la energía limpia necesita grandes cantidades de cobre, litio, cobalto, níquel, manganeso, grafito y elementos de tierras raras. La Agencia Internacional de la Energía prevé que la demanda de estos minerales podría multiplicarse por cuatro a seis para 2040 en los escenarios de cero emisiones netas. (AIE, El papel de los minerales críticos en las transiciones hacia una energía limpia, 2021)

Los yacimientos necesarios para cubrir esa demanda están en el subsuelo. La geología indica que la corteza terrestre guarda muchos más minerales sin descubrir que las reservas que conocemos hoy. El problema no es que los minerales sean escasos. Es el tiempo y el costo que toma encontrar, delimitar y permitir nuevos yacimientos tan rápido como lo exige la transición.

Llevar una mina nueva desde el primer descubrimiento hasta la primera producción toma de diez a quince años en buenos lugares, y más donde los permisos son complejos. (Banco Mundial, Minerals for Climate Action, 2021) Para que haya nueva producción funcionando en la década de 2030, los descubrimientos deben ocurrir ahora. Eso pide algo más que dinero. Pide formas de explorar más rápidas y precisas.

Por qué la exploración no ha escalado

El gasto mundial en exploración se ha recuperado del bajón de mediados de la década de 2010, pero el dinero por sí solo no arregla el problema. El cuello de botella no es el financiamiento. Es la capacidad de leer los datos geocientíficos lo bastante bien como para elegir los pocos objetivos de perforación que de verdad serán rentables.

La cantidad de datos geocientíficos ha crecido enormemente. Un relevamiento geofísico aerotransportado moderno puede producir terabytes de datos por proyecto. Las bases de datos regionales de química de suelos cubren continentes enteros. Los satélites cartografían la superficie del planeta con un detalle de menos de un metro. Los datos necesarios para encontrar muchos yacimientos ocultos ya existen. El límite es la capacidad de leerlos, es decir, de combinarlo todo sobre un área y encontrar los lugares donde apunta a la mineralización.

Leer todos estos datos a mano no escala. Un geólogo en un proyecto distrital puede combinar un puñado de conjuntos de datos sobre un área pequeña. Combinar veinte conjuntos de datos a escala de una región no es realmente posible con los métodos tradicionales. Sin embargo, esa es justo la escala a la que la exploración de minerales críticos debe trabajar para encontrar la próxima ola de yacimientos.

Los desafíos específicos de la geología de metales para baterías

Los minerales críticos traen sus propios desafíos que, durante mucho tiempo, los han hecho más difíciles de encontrar que los yacimientos comunes de oro o de metales base.

El litio en roca dura está en pegmatitas de espodumeno. Estos cuerpos siguen las estructuras y suelen ser estrechos, así que un relevamiento de malla amplia puede pasarlos por alto. El cobalto casi siempre es un subproducto de los sistemas de níquel, cobre u oro, y rara vez es el objetivo principal. Los elementos de tierras raras se concentran en intrusiones carbonatíticas y alcalinas. Estas tienen una firma geofísica clara, pero puede parecerse a roca estéril con una firma similar, por lo que hace falta una clasificación cuidadosa. Los yacimientos de sulfuros de níquel se forman en los bordes de las intrusiones máfico-ultramáficas. Se pueden detectar con geofísica, pero hace falta un trabajo cuidadoso sobre las estructuras para convertir una señal en un objetivo que se pueda perforar.

Cada uno de estos tipos de yacimiento deja una firma típica repartida en varios conjuntos de datos, y un modelo de aprendizaje automático puede aprender esa firma. El modelo no necesita entender los procesos magmáticos o de fluidos calientes que formaron el yacimiento. Solo necesita aprender qué mezcla de características aparece con yacimientos conocidos de ese tipo, y luego buscar la misma mezcla en terreno inexplorado.

Qué aporta la IA específicamente a los minerales críticos

Para los minerales críticos, las ventajas del mapeo de prospectividad con IA son aún mayores que para los metales comunes, por tres razones.

Primero, muchas regiones con minerales críticos tienen muchos datos geocientíficos públicos pero poco historial de exploración. Los relevamientos geológicos de Canadá, Australia, Estados Unidos y partes de África han creado durante décadas una amplia cobertura geofísica aerotransportada y de química de suelos regional. Estos datos son públicos y pueden alimentar el modelo incluso cuando sus propios datos son escasos. El modelo gana un contexto regional que un geólogo en un solo proyecto no suele reunir.

Segundo, los minerales críticos suelen involucrar tipos de yacimiento que entendemos peor que los sistemas clásicos de pórfido de oro o cobre. Los modelos de algunos yacimientos de metales para baterías todavía se están afinando a medida que se descubren y estudian nuevos hallazgos. Un modelo de IA que aprende directamente de los datos, en lugar de una plantilla fija, está mejor preparado para captar todo el rango de firmas de un tipo de yacimiento que aún no entendemos del todo.

Tercero, el argumento económico de la definición de objetivos con IA es más claro donde la perforación es cara. En el remoto norte de Canadá, en Alaska o en África Central, un pozo de perforación puede costar entre 150 y 400 USD por metro, según la profundidad, el costo de mover el equipo y el terreno. Un programa bien orientado que necesite menos pozos para llegar a la mineralización ahorra dinero de forma directa, y el ahorro crece con el tamaño del programa.

El problema de la tasa de descubrimiento

Las tasas de descubrimiento han caído en todo el mundo durante los últimos treinta años, aun cuando el gasto en exploración ha subido. (S&P Global Market Intelligence, 2023) Ahora se gasta más dinero para encontrar menos yacimientos y de menor ley. Esto es en parte una cuestión de geología, ya que los yacimientos más fáciles, cercanos a la superficie, se encontraron primero. También es en parte una cuestión de método. Las herramientas pensadas para encontrar yacimientos poco profundos no han seguido el ritmo de la necesidad de encontrar otros más profundos, más tenues y más complejos.

El mapeo de prospectividad con IA ataca el lado del método de este problema. Al combinar más capas de datos y detectar mezclas de señales más tenues de las que una persona puede captar a mano, puede encontrar yacimientos que la definición de objetivos común pasaría por alto. Pueden ser más profundos, de menor ley o estar en contextos que no encajan en las plantillas simples de uso corriente.

Esto no quiere decir que la IA vaya a encontrar todos los yacimientos ocultos. El modelo está limitado por los datos disponibles y por lo variados que sean los yacimientos buscados. Pero en el enorme terreno inexplorado que ya tiene datos públicos, casi con seguridad hay yacimientos que los métodos de hoy pasarían por alto y que un enfoque basado en datos sí revelaría.

En qué punto se encuentra la tecnología hoy

El mapeo de prospectividad con IA no es solo una idea de investigación. Es una herramienta de trabajo que las empresas de exploración, los relevamientos geológicos gubernamentales y las mineras junior ya usan para clasificar objetivos de perforación y fijar presupuestos. Los métodos que la sostienen, como el aprendizaje positivo-no etiquetado, la validación cruzada espacial y las estimaciones de incertidumbre por bootstrap, están bien establecidos. La verdadera pregunta no es si la tecnología funciona. Es si un proyecto dado tiene los datos y el contexto geológico para usarla bien.

La tecnología funciona mejor junto con la revisión de un geocientífico calificado. El modelo señala patrones estadísticos, y el geólogo juzga si cada uno significa mineralización o solo ruido geológico. Los programas que usan ambos, la IA para comparar y clasificar los datos y los geólogos para evaluar y elegir los objetivos, obtienen mejores programas de perforación que cualquiera de los dos enfoques por separado.

La brecha entre los minerales críticos que la transición necesita y los métodos que tenemos para encontrarlos es real y seria. Cerrarla significa poner las mejores herramientas de definición de objetivos a trabajar en más proyectos, más rápido. El mapeo de prospectividad con IA es una de las herramientas más listas que tenemos, y la que ofrece el camino más claro desde los datos que usted ya posee hacia mejores decisiones de perforación.