Research on 3D Spatial Localization and Prediction of Deep Concealed Ore Bodies Based on Graph Neural Networks and Multi- Source Geological Constraints

Resumen Técnico: Investigación sobre la Localización Espacial 3D y Predicción de Cuerpos Mineralizados Profundos mediante Redes Neuronales de Grafos y Restricciones Geológicas Multifuente

Planteamiento del Problema
La localización espacial y la predicción de cuerpos mineralizados profundos y ocultos representan un desafío técnico crítico en la exploración de recursos minerales. A diferencia de los depósitos superficiales, los cuerpos mineralizados profundos existen en entornos geológicos complejos gobernados por procesos superpuestos de múltiples etapas (movimientos tectónicos, intrusión magmática, alteración hidrotermal), lo que resulta en una fuerte heterogeneidad espacial y características de distribución no lineales. Los métodos de predicción actuales enfrentan limitaciones significativas:

1. Escasez de Datos e Incertidumbre: Los datos de sondeos son escasos y están distribuidos de manera desigual con la profundidad, lo que genera una alta incertidumbre geológica.
2. Limitaciones Metodológicas: Los métodos geoestadísticos tradicionales (p. ej., Kriging) dependen de supuestos de estacionariedad espacial que fallan bajo condiciones complejas y heterogéneas. Los enfoques de aprendizaje profundo (p. ej., CNN, RNN) operan típicamente en rejillas regulares o secuencias en el espacio euclidiano, fallando al capturar relaciones topológicas espaciales esenciales (adyacencia, truncamiento, contención) entre elementos geológicos.
3. Integración de Conocimiento: Los métodos existentes de fusión de datos multifuente suelen tratar los datos heterogéneos (sondeos, geofísica, geoquímica) como simples concatenaciones de características, sin aprovechar las asociaciones estructurales. Además, el conocimiento geológico experto suele fijarse como una entrada estática en lugar de integrarse como restricciones continuas durante el entrenamiento del modelo, lo que limita la plausibilidad geológica de las predicciones bajo condiciones de muestras pequeñas.

Metodología
Los autores proponen HetGNN-KG, un marco de predicción basado en aprendizaje de grafos que integra redes neuronales de grafos heterogéneos con restricciones de grafos de conocimiento geológico. La metodología consta de tres componentes principales:

1. Construcción de Grafos Heterogéneos para Datos Multifuente:

   • Representación de Nodos: Los datos multifuente se codifican como un grafo heterogéneo donde los nodos representan muestras de sondeos (litología, alteración, ley, profundidad), anomalías geofísicas (gravedad, magnetismo, resistividad) e indicadores geoquímicos.
   • Definición de Aristas: Se establecen tres tipos de aristas para reflejar la realidad geológica:
     • Proximidad Espacial: Conecta nodos basados en la distancia 3D, incorporando un factor de atenuación por profundidad para dar cuenta de la disminución de la densidad de datos a mayores profundidades.
     • Contacto Geológico: Conecta nodos basados en tipos de contacto (falla, estratigráfico, intrusivo) con pesos aprendibles.
     • Semántica Genética: Conecta nodos geofísicos y geoquímicos donde las anomalías físicas y los enriquecimientos de elementos muestran respuestas espaciales coordinadas.
   • Paso de Mensajes: Se emplea un mecanismo de paso de mensajes heterogéneo sensible a la profundidad. Utiliza matrices de pesos aprendibles separadas y módulos de atención para diferentes tipos de relación, permitiendo al modelo distinguir el significado físico de las distintas relaciones geológicas mientras preserva las conexiones de bucle propio para evitar la dilución de la información de la medición original.

2. Predicción Restringida por Grafos de Conocimiento Geológico:

   • Construcción del Grafo de Conocimiento: Se construye un grafo de conocimiento de mineralización con entidades (p. ej., fallas controladoras de mineral, zonas de alteración) y relaciones (p. ej., "controla", "asociado con").
   • Alineación de Embeddings: Los embeddings de las entidades del grafo de conocimiento se alinean con los embeddings de los nodos del grafo de datos mediante una matriz de proyección compartida.
   • Pérdidas de Restricción: Tres funciones de pérdida específicas se integran en el proceso de entrenamiento para imponer reglas geológicas:
     • Pérdida de Alineación ($\mathcal{L}_{align}$): Minimiza la distancia entre los nodos del grafo de datos y las entidades correspondientes del grafo de conocimiento (p. ej., un nodo de sondeo cerca de una falla se alinea con la entidad "falla controladora de mineral").
     • Pérdida de Restricción Estructural ($\mathcal{L}_{struct}$): Basada en principios de distancia de traslación, asegura la consistencia geométrica de los tripletes de mineralización en el espacio de embeddings.
     • Pérdida de Restricción Semántica ($\mathcal{L}_{sem}$): Penaliza las predicciones donde los nodos con alta probabilidad de mineralización carecen de similitud semántica con las entidades geológicas controladoras de mineral correspondientes. Esta pérdida se pondera por la probabilidad de predicción para centrar las restricciones en las zonas probablemente mineralizadas.

3. Cuantificación de la Incertidumbre:

   • El marco emplea Monte Carlo Dropout durante la inferencia para descomponer la incertidumbre de la predicción en Incertidumbre Epistémica (incertidumbre de los parámetros del modelo debido a la escasez de datos) e Incertidumbre Aleatoria (ruido inherente de los datos). Esto permite una evaluación estratificada por profundidad de la fiabilidad de la predicción.

Contribuciones Clave

1. Marco de Grafo Unificado: Construcción de un marco de aprendizaje de grafos que utiliza grafos heterogéneos para representar uniformemente datos geológicos multifuente (sondeos, geofísica, geoquímica) y un grafo de conocimiento geológico, permitiendo una operación sinérgica dentro de un único flujo de entrenamiento.
2. GNN Heterogénea con Sensibilidad a la Profundidad: Propuesta de un método de modelado de asociación espacial que codifica las asociaciones físicas transmodales y la escasez de datos dependiente de la profundidad a través de tipos de aristas especializados y factores de atenuación por profundidad, evitando la interferencia mutua entre diferentes modalidades de datos.
3. Aprendizaje de Restricción Guiado por el Conocimiento: Desarrollo de un método de predicción que incorpora reglas de mineralización como pérdidas de restricción estructural y semántica diferenciables. Esto permite que el aprendizaje basado en datos y las restricciones de reglas geológicas operen conjuntamente, asegurando que las predicciones se adhieran a la plausibilidad geológica.
4. Descomposición de la Incertidumbre: Implementación de un método para evaluar cuantitativamente la incertidumbre de la predicción distinguiendo entre brechas de conocimiento (epistémica) y ruido de medición (aleatoria), lo que ayuda a priorizar los objetivos de perforación.

Resultados Experimentales
El marco fue validado en seis conjuntos de datos: un conjunto de ingeniería local del cinturón metalogénico del Bajo-Medio Yangtze (depósitos de Cu-Fe tipo skarn) y cinco conjuntos de datos públicos (Cratón de Gawler, modelos sintéticos de Noddyverse, cobre porfídrico de USGS, geoquímica de NGSA y oro orogénico de MRD282).

• Desempeño: El método propuesto (HetGNN-KG) superó consistentemente a seis líneas base (Kriging, Random Forest, SVM, 3D-CNN, GAT y GNN Homogénea) en todos los conjuntos de datos. Alcanzó los valores más altos de AUC, puntuación F1, precisión y exhaustividad (recall).
• Generalización: El método demostró un desempeño estable a través de diversos trasfondos geológicos y tipos de depósitos. La brecha de rendimiento fue más pronunciada en el conjunto de datos multimodal de Gawler, validando la efectividad del modelado de grafos heterogéneos.
• Estudios de Ablación: La eliminación de componentes específicos (p. ej., aristas semánticas genéticas, pérdida de restricción semántica) resultó en caídas significativas en el desempeño, confirmando que las asociaciones transmodales y las restricciones de conocimiento son los principales impulsores del éxito del modelo.
• Visualización e Incertidumbre:
  • Las predicciones 3D mostraron una extensión direccional a lo largo de estructuras de falla y zonas de contacto, consistentes con las reglas geológicas, a diferencia de los resultados elipsoidales isotrópicos de las 3D-CNNs.
  • El análisis de incertidumbre reveló que la incertidumbre epistémica aumentó con la profundidad en áreas de escasa cobertura de sondeos, mientras que la incertidumbre aleatoria se correlacionó con las zonas de contacto geológico.
  • Las visualizaciones de t-SNE demostraron que las restricciones del grafo de conocimiento agruparon eficazmente los nodos mineralizados más cerca de los embeddings de las entidades geológicas relevantes, reduciendo el solapamiento con los nodos no mineralizados.

Significancia y Reivindicaciones
El artículo afirma que HetGNN-KG aborda las limitaciones fundamentales de los métodos existentes en la exploración profunda al ir más allá de las estructuras de datos euclidianas para capturar topologías espaciales complejas e integrar el conocimiento geológico dinámicamente en lugar de estáticamente. El marco se presenta como una herramienta que mejora la plausibilidad geológica e interpretabilidad de las predicciones de localización espacial 3D, particularmente en entornos profundos con escasez de datos. Al descomponer la incertidumbre, el método proporciona información accionable para priorizar la ingeniería de exploración, distinguiendo entre regiones que requieren más recolección de datos (alta incertidumbre epistémica) y aquellas con ruido de medición inherente (incertidumbre aleatoria). Los autores posicionan este trabajo como un paso hacia una IA más confiable y guiada por el conocimiento en la evaluación de recursos minerales, aunque señalan que se requiere trabajo futuro para la actualización dinámica de los grafos de conocimiento y estrategias de aprendizaje activo.