Le fossé technologique dans l'exploration des minéraux critiques

Le problème d'approvisionnement est un problème d'exploration

La transition énergétique nécessite de grandes quantités de cuivre, de lithium, de cobalt, de nickel, de manganèse, de graphite et d'éléments des terres rares. Les projections de l'Agence internationale de l'énergie indiquent que la demande pour ces minéraux pourrait être multipliée par quatre à six d'ici 2040 dans les scénarios de carboneutralité. (AIE, Le rôle des minéraux critiques dans les transitions vers une énergie propre, 2021)

Les gisements nécessaires pour répondre à cette demande existent dans le sol. Les preuves géologiques suggèrent que la croûte terrestre contient bien plus de ressources minérales non découvertes que les réserves connues actuelles. Le problème n'est pas la rareté géologique — c'est le temps et le coût nécessaires pour trouver, délimiter et obtenir les permis pour de nouveaux gisements au rythme exigé par la transition.

Amener une nouvelle mine de la découverte initiale à la première production prend dix à quinze ans dans les juridictions favorables, et plus encore dans les zones aux environnements de permis complexes. (Banque mondiale, Minerals for Climate Action, 2021) Pour avoir une nouvelle production en ligne dans les années 2030, les découvertes doivent se produire maintenant. Cela exige non seulement plus de capital d'exploration, mais aussi des méthodes d'exploration plus rapides et plus précises.

Pourquoi l'exploration ne s'est pas adaptée à l'échelle

Les dépenses mondiales d'exploration se sont remises du ralentissement du milieu des années 2010, mais le capital seul ne résout pas le problème. Le goulot d'étranglement n'est pas l'argent — c'est la capacité d'interpréter les données géoscientifiques avec suffisamment de précision pour identifier la petite fraction des cibles de forage qui seront économiquement significatives.

Le volume de données géoscientifiques accessibles aux explorateurs a augmenté énormément. Les levés géophysiques aéroportés modernes produisent des téraoctets de données par projet. Les bases de données géochimiques régionales couvrent des continents entiers. Les données satellitaires multispectrales et hyperspectrales fournissent une couverture de surface mondiale à résolution submétrique. Les données existent pour trouver de nombreux gisements qui restent à découvrir. La contrainte est la capacité d'interprétation : la capacité d'intégrer toutes ces données dans une zone d'intérêt et d'identifier les emplacements où elles convergent vers la minéralisation.

L'interprétation géologique manuelle ne s'adapte pas au volume de données désormais disponibles. Un géologue travaillant sur un projet à l'échelle d'un district peut intégrer de façon significative une poignée d'ensembles de données dans une zone d'intérêt ciblée. Intégrer vingt ensembles de données à l'échelle d'une zone régionale n'est pas réalisable en pratique avec les méthodes traditionnelles — et c'est exactement à cette échelle que l'exploration des minéraux critiques doit opérer pour trouver la prochaine génération de gisements.

Les défis spécifiques de la géologie des métaux pour batteries

Les minéraux critiques présentent des défis particuliers qui les ont historiquement rendus plus difficiles à trouver que les gisements conventionnels d'or ou de métaux de base.

Les gisements de lithium en roche dure — les pegmatites à spodumène — sont contrôlés par la structure et souvent étroits, ce qui les rend faciles à manquer avec des levés à échantillonnage grossier. Le cobalt est presque toujours un minéral coproduit associé aux systèmes de nickel, de cuivre ou d'or, rarement le produit principal ciblé. Les éléments des terres rares se concentrent dans des complexes intrusifs de carbonatites et alcalins qui ont des signatures géophysiques distinctives mais nécessitent une discrimination minutieuse par rapport à des roches intrusives stériles aux signatures similaires. Les gisements de sulfures de nickel se forment aux marges des intrusions mafiques-ultramafiques et sont détectables géophysiquement, mais nécessitent une interprétation structurale précise pour localiser des cibles testables par forage.

Chacun de ces types de gisements possède une signature multi-ensembles de données caractéristique qui peut être apprise par un modèle d'apprentissage automatique. Le modèle n'a pas besoin de comprendre les processus magmatiques ou hydrothermaux qui ont formé le gisement — il doit apprendre quelle combinaison de caractéristiques spatiales coïncide avec des gisements connus de ce type et appliquer ce motif appris à un terrain non échantillonné.

Ce que l'IA apporte spécifiquement aux minéraux critiques

Pour l'exploration des minéraux critiques, les avantages de la cartographie de prospectivité par IA sont plus prononcés que pour les produits conventionnels, pour trois raisons.

Premièrement, de nombreuses juridictions de minéraux critiques disposent de données géoscientifiques publiques abondantes mais d'un historique d'exploration limité. Les commissions géologiques gouvernementales du Canada, de l'Australie, des États-Unis et de certaines parties de l'Afrique ont acquis une vaste couverture géophysique aéroportée et géochimique régionale au fil des décennies. Ces données existent dans des dépôts publics et peuvent être utilisées comme intrant de modèle même là où les données spécifiques au client sont clairsemées. Le modèle a accès à un contexte régional qu'un géologue travaillant manuellement sur un seul projet n'exploiterait pas systématiquement.

Deuxièmement, l'exploration des minéraux critiques cible souvent des types de gisements moins bien compris que les systèmes conventionnels d'or ou de porphyres cuprifères. Les modèles de gisements pour certains types de gisements de métaux pour batteries sont encore activement affinés à mesure que de nouvelles découvertes sont faites et étudiées. Un modèle d'IA qui apprend directement à partir des données, plutôt qu'à partir d'un gabarit fixe de modèle de gisement, est mieux positionné pour capter la gamme complète de signatures géologiques associées à un type de gisement incomplètement caractérisé.

Troisièmement, le cas économique du ciblage assisté par IA est le plus clair dans les juridictions où les coûts de forage sont élevés. Dans le nord canadien éloigné, en Alaska ou en Afrique centrale, un trou de forage coûte de 150 à 400 $ par mètre selon la profondeur, les coûts de mobilisation et le terrain. Un programme de forage bien ciblé qui réduit le nombre de trous nécessaires pour intersecter la minéralisation a un avantage financier direct et quantifiable qui se met à l'échelle avec le coût du programme.

Le problème du taux de découverte

Les taux de découverte minérale ont diminué globalement au cours des trois dernières décennies malgré l'augmentation des dépenses d'exploration. (S&P Global Market Intelligence, 2023) Plus d'argent est dépensé pour trouver moins de gisements et des gisements de plus faible teneur. C'est en partie un phénomène géologique — les gisements les plus accessibles et proches de la surface ont été trouvés en premier de manière préférentielle — et en partie un problème méthodologique : les méthodes d'exploration optimisées pour trouver des gisements proches de la surface n'ont pas suivi le besoin de trouver des systèmes plus profonds, plus subtils et plus complexes.

La cartographie de prospectivité par IA aborde le côté méthodologique de ce problème. En intégrant des données sur plus de couches et en identifiant des combinaisons d'anomalies plus subtiles que ne peuvent détecter les méthodes manuelles, elle a le potentiel de trouver des gisements qui seraient manqués par le ciblage conventionnel — des gisements plus profonds, à plus faible teneur ou dans des cadres géologiques qui ne correspondent pas aux gabarits simples de modèles de gisement d'usage courant.

Ce n'est pas une affirmation selon laquelle l'IA trouvera chaque gisement non découvert. Le modèle est limité par les données disponibles et par la variabilité géologique des types de gisements ciblés. Mais dans l'espace de recherche des terrains inexplorés avec une couverture de données publiques existante — qui est vaste — il y a presque certainement des gisements que les méthodes actuelles ne prioriseraient pas mais qu'une approche fondée sur les données ferait ressortir.

Où en est la technologie aujourd'hui

La cartographie de prospectivité par IA n'est pas un concept de recherche. C'est un outil de production utilisé par les sociétés d'exploration, les commissions géologiques gouvernementales et les sociétés minières juniors pour classer les cibles de forage et prioriser les budgets d'exploration. Les fondations académiques — apprentissage positif-non étiqueté, validation croisée spatiale, estimation d'incertitude par bootstrap — sont bien établies. La question pratique n'est pas de savoir si la technologie fonctionne, mais si un projet spécifique dispose des données et du contexte géologique pour l'utiliser efficacement.

La technologie est la plus efficace lorsqu'elle est combinée à un examen par un géoscientifique qualifié. Le modèle fait ressortir des anomalies statistiques; le géologue évalue si ces anomalies correspondent à la minéralisation ou au bruit géologique. Les programmes d'exploration qui intègrent les deux — l'IA à l'étape de croisement et de priorisation, les géoscientifiques à l'étape d'évaluation et de sélection des cibles — produisent systématiquement de meilleurs programmes de forage que l'une ou l'autre approche seule.

Le fossé entre les minéraux critiques requis par la transition et les méthodes d'exploration disponibles pour les trouver est réel et conséquent. Le combler exige le déploiement des meilleurs outils de ciblage disponibles dans plus de projets, plus rapidement. La cartographie de prospectivité par IA est l'un des outils les plus prêts à l'emploi — et celui qui offre le chemin le plus clair entre les données existantes et de meilleures décisions de forage.