Le fossé technologique dans l'exploration des minéraux critiques

Le problème d'approvisionnement est un problème d'exploration

Le passage à l'énergie propre demande de grandes quantités de cuivre, de lithium, de cobalt, de nickel, de manganèse, de graphite et d'éléments des terres rares. L'Agence internationale de l'énergie prévoit 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 sont dans le sol. La géologie indique que la croûte terrestre renferme bien plus de minéraux non découverts que les réserves connues aujourd'hui. Le problème n'est pas que les minéraux sont rares. C'est le temps et le coût qu'il faut pour trouver, délimiter et obtenir les permis de nouveaux gisements aussi vite que la transition l'exige.

Faire passer une nouvelle mine de la première découverte à la première production prend dix à quinze ans dans les bons endroits, et plus encore là où les permis sont complexes. (Banque mondiale, Minerals for Climate Action, 2021) Pour qu'une nouvelle production tourne dans les années 2030, les découvertes doivent avoir lieu maintenant. Cela demande plus que de l'argent. Cela demande des façons d'explorer plus rapides et plus précises.

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

Les dépenses mondiales d'exploration sont reparties après le creux du milieu des années 2010, mais l'argent seul ne règle pas le problème. Le goulot d'étranglement n'est pas le financement. C'est la capacité de lire les données géoscientifiques assez bien pour repérer les rares cibles de forage qui seront vraiment rentables.

La quantité de données géoscientifiques a énormément augmenté. Un levé géophysique aéroporté moderne peut produire des téraoctets de données par projet. Les bases de données régionales de chimie des sols couvrent des continents entiers. Les satellites cartographient la surface de la planète à moins d'un mètre près. Les données nécessaires pour trouver de nombreux gisements cachés existent déjà. La limite est la capacité de les lire, c'est-à-dire de tout combiner sur une zone et de trouver les endroits où cela pointe vers la minéralisation.

Lire toutes ces données à la main ne tient pas à grande échelle. Un géologue sur un projet de district peut combiner une poignée d'ensembles de données sur une petite zone. Combiner vingt ensembles de données à l'échelle d'une région n'est pas vraiment possible avec les méthodes traditionnelles. Pourtant, c'est exactement l'échelle à laquelle l'exploration des minéraux critiques doit travailler pour trouver la prochaine vague de gisements.

Les défis spécifiques de la géologie des métaux pour batteries

Les minéraux critiques posent leurs propres défis qui les ont longtemps rendus plus difficiles à trouver que les gisements ordinaires d'or ou de métaux de base.

Le lithium en roche dure se trouve dans des pegmatites à spodumène. Ces corps suivent les structures et sont souvent étroits, donc un levé à mailles larges peut les manquer. Le cobalt est presque toujours un sous-produit des systèmes de nickel, de cuivre ou d'or, et il est rarement la cible principale. Les éléments des terres rares se rassemblent dans des intrusions de carbonatites et alcalines. Celles-ci ont une signature géophysique claire, mais elle peut ressembler à de la roche stérile à signature semblable, d'où la nécessité d'un tri soigneux. Les gisements de sulfures de nickel se forment au bord des intrusions mafiques-ultramafiques. Ils peuvent être détectés par géophysique, mais il faut un travail soigné sur les structures pour transformer un signal en cible que l'on peut forer.

Chacun de ces types de gisements laisse une signature typique répartie sur plusieurs ensembles de données, et un modèle d'apprentissage automatique peut apprendre cette signature. Le modèle n'a pas besoin de comprendre les processus magmatiques ou à fluides chauds qui ont formé le gisement. Il doit seulement apprendre quel mélange de caractéristiques apparaît avec des gisements connus de ce type, puis chercher le même mélange dans un terrain inexploré.

Ce que l'IA apporte spécifiquement aux minéraux critiques

Pour les minéraux critiques, les avantages de la cartographie de prospectivité par IA sont encore plus forts que pour les métaux ordinaires, pour trois raisons.

Premièrement, de nombreuses régions riches en minéraux critiques ont beaucoup de données géoscientifiques publiques mais peu d'historique d'exploration. Les commissions géologiques du Canada, de l'Australie, des États-Unis et de certaines parties de l'Afrique ont bâti une large couverture géophysique aéroportée et de chimie des sols régionale au fil des décennies. Ces données sont publiques et peuvent alimenter le modèle même quand vos propres données sont minces. Le modèle gagne un contexte régional qu'un géologue sur un seul projet ne rassemblerait pas d'habitude.

Deuxièmement, les minéraux critiques font souvent appel à des types de gisements que l'on comprend moins bien que les systèmes classiques d'or ou de porphyres cuprifères. Les modèles de certains gisements de métaux pour batteries sont encore affinés à mesure que de nouvelles découvertes sont faites et étudiées. Un modèle d'IA qui apprend directement des données, plutôt que d'un gabarit fixe, est mieux placé pour saisir toute la gamme de signatures d'un type de gisement que l'on ne comprend pas encore parfaitement.

Troisièmement, l'argument financier du ciblage par IA est le plus clair là où le forage coûte cher. Dans le nord canadien éloigné, en Alaska ou en Afrique centrale, un trou de forage peut coûter de 150 à 400 $ par mètre, selon la profondeur, le coût de déplacement de la foreuse et le terrain. Un programme bien ciblé qui demande moins de trous pour atteindre la minéralisation fait économiser directement, et l'économie grandit avec la taille du programme.

Le problème du taux de découverte

Les taux de découverte ont baissé dans le monde au cours des trente dernières années, même si les dépenses d'exploration ont augmenté. (S&P Global Market Intelligence, 2023) Plus d'argent permet aujourd'hui de trouver moins de gisements, et de plus faible teneur. C'est en partie une question de géologie, car les gisements les plus faciles, proches de la surface, ont été trouvés en premier. C'est aussi en partie une question de méthode. Les outils conçus pour trouver des gisements peu profonds n'ont pas suivi le besoin d'en trouver de plus profonds, de plus discrets et de plus complexes.

La cartographie de prospectivité par IA s'attaque au côté méthode de ce problème. En combinant plus de couches de données et en repérant des mélanges de signaux plus discrets que ne peut le faire l'œil humain, elle peut trouver des gisements que le ciblage ordinaire manquerait. Ils peuvent être plus profonds, de plus faible teneur, ou dans des cadres qui ne collent pas aux gabarits simples d'usage courant.

Cela ne veut pas dire que l'IA trouvera chaque gisement caché. Le modèle est limité par les données disponibles et par la variété des gisements ciblés. Mais sur l'immense terrain inexploré qui possède déjà des données publiques, il y a presque certainement des gisements que les méthodes actuelles négligeraient et 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 qu'une idée de recherche. C'est un outil de travail que les sociétés d'exploration, les commissions géologiques et les sociétés minières juniors utilisent déjà pour classer les cibles de forage et fixer les budgets. Les méthodes qui la soutiennent, comme l'apprentissage positif-non étiqueté, la validation croisée spatiale et les estimations d'incertitude par bootstrap, sont bien établies. La vraie question n'est pas de savoir si la technologie fonctionne. C'est de savoir si un projet donné possède les données et le contexte géologique pour bien l'utiliser.

La technologie fonctionne le mieux avec l'examen d'un géoscientifique qualifié. Le modèle pointe des motifs statistiques, et le géologue juge si chacun signifie de la minéralisation ou seulement du bruit géologique. Les programmes qui utilisent les deux, l'IA pour comparer et classer les données et les géologues pour évaluer et choisir les cibles, obtiennent de meilleurs programmes de forage que l'une ou l'autre approche seule.

Le fossé entre les minéraux critiques dont la transition a besoin et les méthodes dont nous disposons pour les trouver est réel et sérieux. Le combler, c'est mettre les meilleurs outils de ciblage au travail sur plus de projets, plus vite. 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 que vous possédez déjà et de meilleures décisions de forage.