La brecha tecnológica en la exploración de minerales críticos

El problema de suministro es un problema de exploración

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

Los yacimientos necesarios para satisfacer esa demanda existen en el subsuelo. La evidencia geológica sugiere que la corteza terrestre contiene muchos más recursos minerales no descubiertos que las reservas conocidas actuales. El problema no es la escasez geológica: es el tiempo y el costo requeridos para encontrar, delimitar y permitir nuevos yacimientos al ritmo que exige la transición.

Llevar una nueva mina desde el descubrimiento inicial hasta la primera producción toma de diez a quince años en jurisdicciones favorables, y más en áreas con entornos de permisos complejos. (Banco Mundial, Minerals for Climate Action, 2021) Para tener nueva producción en operación en la década de 2030, los descubrimientos deben ocurrir ahora. Eso requiere no solo más capital de exploración, sino también métodos de exploración más rápidos y precisos.

Por qué la exploración no ha escalado

El gasto global en exploración se ha recuperado de la recesión de mediados de la década de 2010, pero el capital por sí solo no resuelve el problema. El cuello de botella no es el dinero: es la capacidad de interpretar datos geocientíficos con la suficiente precisión como para identificar la pequeña fracción de objetivos de perforación que serán económicamente significativos.

El volumen de datos geocientíficos disponibles para los exploradores ha aumentado enormemente. Los relevamientos geofísicos aerotransportados modernos producen terabytes de datos por proyecto. Las bases de datos geoquímicas regionales cubren continentes enteros. Los datos satelitales multiespectrales e hiperespectrales proporcionan cobertura superficial global con resolución submétrica. Los datos existen para encontrar muchos de los yacimientos que permanecen sin descubrir. La restricción es la capacidad interpretativa: la habilidad de integrar todos estos datos a lo largo de un área de interés e identificar las ubicaciones donde convergen sobre la mineralización.

La interpretación geológica manual no escala al volumen de datos hoy disponible. Un geólogo que trabaja en un proyecto a escala distrital puede integrar de manera significativa un puñado de conjuntos de datos en un área de interés enfocada. Integrar veinte conjuntos de datos a lo largo de un área a escala regional no es prácticamente alcanzable con métodos tradicionales, y esa es exactamente la escala a la que la exploración de minerales críticos necesita operar para encontrar la próxima generación de yacimientos.

Los desafíos específicos de la geología de metales para baterías

Los minerales críticos presentan desafíos particulares que, históricamente, los han hecho más difíciles de encontrar que los yacimientos convencionales de oro o de metales base.

Los yacimientos de litio en contextos de roca dura —pegmatitas de espodumeno— están controlados estructuralmente y suelen ser estrechos, lo que los hace fáciles de pasar por alto con relevamientos de muestreo grueso. El cobalto es casi siempre un mineral subproducto asociado a sistemas de níquel, cobre u oro, rara vez el mineral primario objetivo. Los elementos de tierras raras se concentran en complejos intrusivos carbonatíticos y alcalinos que tienen firmas geofísicas distintivas, pero requieren una discriminación cuidadosa respecto de rocas intrusivas estériles con firmas similares. Los yacimientos de sulfuros de níquel se forman en los márgenes de intrusiones máfico-ultramáficas y son detectables geofísicamente, pero requieren una interpretación estructural precisa para localizar objetivos comprobables mediante perforación.

Cada uno de estos tipos de yacimiento tiene una firma multidato característica que puede ser aprendida por un modelo de aprendizaje automático. El modelo no necesita comprender los procesos magmáticos o hidrotermales que formaron el yacimiento: necesita aprender qué combinación de características espaciales coincide con yacimientos conocidos de ese tipo y aplicar ese patrón aprendido a terreno no muestreado.

Qué aporta la IA específicamente a los minerales críticos

Para la exploración de minerales críticos, las ventajas del mapeo de prospectividad con IA son más pronunciadas que para los minerales convencionales por tres razones.

Primero, muchas jurisdicciones de minerales críticos tienen abundantes datos geocientíficos públicos pero un historial de exploración limitado. Los relevamientos geológicos gubernamentales de Canadá, Australia, Estados Unidos y partes de África han adquirido durante décadas una amplia cobertura geofísica aerotransportada y geoquímica regional. Estos datos existen en repositorios públicos y pueden usarse como entrada del modelo incluso donde los datos específicos del cliente son escasos. El modelo tiene acceso a un contexto regional del que un geólogo que trabaja manualmente en un solo proyecto no se nutriría de manera sistemática.

Segundo, la exploración de minerales críticos a menudo apunta a tipos de yacimiento que se comprenden peor que los sistemas convencionales de pórfido de oro o cobre. Los modelos de yacimiento para algunos tipos de yacimientos de metales para baterías todavía se están refinando de forma activa a medida que se descubren y estudian nuevos hallazgos. Un modelo de IA que aprende directamente de los datos, en lugar de a partir de una plantilla fija de modelo de yacimiento, está mejor posicionado para captar el rango completo de firmas geológicas asociadas a un tipo de yacimiento caracterizado de manera incompleta.

Tercero, el argumento económico a favor de la definición de objetivos asistida por IA es más claro en jurisdicciones donde los costos de perforación son altos. En el remoto norte de Canadá, en Alaska o en África Central, un pozo de perforación cuesta entre 150 y 400 USD por metro según la profundidad, los costos de movilización y el terreno. Un programa de perforación bien orientado que reduzca la cantidad de pozos necesarios para interceptar mineralización tiene un beneficio financiero directo y cuantificable que escala con el costo del programa.

El problema de la tasa de descubrimiento

Las tasas de descubrimiento mineral han disminuido a nivel global durante las últimas tres décadas, a pesar del aumento del gasto en exploración. (S&P Global Market Intelligence, 2023) Se gasta más dinero para encontrar menos yacimientos y de menor ley. Esto es en parte un fenómeno geológico —los yacimientos más accesibles, cercanos a la superficie, se han encontrado primero de manera preferencial— y en parte un problema metodológico: los métodos de exploración optimizados para encontrar yacimientos cercanos a la superficie no han seguido el ritmo de la necesidad de encontrar sistemas más profundos, más sutiles y más complejos.

El mapeo de prospectividad con IA aborda el lado metodológico de este problema. Al integrar datos a través de más capas e identificar combinaciones de anomalías más sutiles de las que pueden detectar los métodos manuales, tiene el potencial de encontrar yacimientos que la definición de objetivos convencional pasaría por alto: yacimientos más profundos, de menor ley o en contextos geológicos que no coinciden con las plantillas simples de modelo de yacimiento de uso estándar.

Esto no es una afirmación de que la IA encontrará todos los yacimientos no descubiertos. El modelo está limitado por los datos disponibles y por la variabilidad geológica de los tipos de yacimiento que se buscan. Pero en el espacio de búsqueda del terreno inexplorado con cobertura de datos públicos existente —que es vasto— casi con certeza hay yacimientos que los métodos actuales no priorizarían, pero que un enfoque basado en datos sí revelaría.

En qué punto se encuentra la tecnología hoy

El mapeo de prospectividad con IA no es un concepto de investigación. Es una herramienta de producción utilizada por empresas de exploración, relevamientos geológicos gubernamentales y compañías mineras junior para clasificar objetivos de perforación y priorizar presupuestos de exploración. La base académica —aprendizaje positivo-no etiquetado, validación cruzada espacial, estimación de incertidumbre por bootstrap— está bien establecida. La pregunta práctica no es si la tecnología funciona, sino si un proyecto específico cuenta con los datos y el contexto geológico para usarla de manera eficaz.

La tecnología es más eficaz cuando se combina con la revisión de un geocientífico calificado. El modelo revela anomalías estadísticas; el geólogo evalúa si esas anomalías corresponden a mineralización o a ruido geológico. Los programas de exploración que integran ambos —la IA en la etapa de cruce de datos y priorización, y los geocientíficos en la etapa de evaluación y selección de objetivos— producen de manera consistente mejores programas de perforación que cualquiera de los dos enfoques por separado.

La brecha entre los minerales críticos que requiere la transición y los métodos de exploración disponibles para encontrarlos es real y tiene consecuencias. Cerrarla exige desplegar las mejores herramientas de definición de objetivos disponibles en más proyectos y de manera más rápida. El mapeo de prospectividad con IA es una de las herramientas más listas disponibles, y la que ofrece el camino más claro desde los datos existentes hacia mejores decisiones de perforación.