MANUSCRIPT Mapping Rare Earth Element Prospectivity in the Ruri Carbonatite Complex Using Explainable Ensemble Learning

Imagina que eres un cazador de tesoros, pero en lugar de buscar oro o joyas, buscas los ingredientes invisibles que hacen que tu teléfono inteligente funcione y que tu coche eléctrico ruede con fuerza. Estos ingredientes se llaman Tierras Raras (REE, por sus siglas en inglés). Son las "especias" de la tecnología moderna, esenciales para todo, desde turbinas eólicas hasta dispositivos médicos. El problema es que encontrarlas es como intentar encontrar una aguja específica en un pajar que cambia constantemente de forma y de posición.

Para encontrar estas agujas, los geólogos solían depender de cavar agujeros y adivinar basándose en la apariencia de las rocas cercanas. Pero hoy en día, tenemos un nuevo superpoder: computadoras que pueden aprender. Piensa en el aprendizaje automático (machine learning) como un estudiante muy inteligente que puede leer miles de mapas e informes químicos para detectar patrones que los humanos podrían pasar por alto. Sin embargo, hay un inconveniente: estas computadoras inteligentes suelen ser "cajas negras". Les preguntas: "¿Dónde está el tesoro?" y ellas responden: "Aquí", pero no pueden explicar por qué. Es como un amigo que te da direcciones pero se niega a decirte qué puntos de referencia debes buscar. Esto pone nerviosos a los geólogos porque, si no entienden el "porqué", no pueden confiar en el "dónde".

Aquí es donde entra en juego un nuevo enfoque llamado Inteligencia Artificial Explicable (XAI). Es como darle una voz a la computadora para que pueda decir: "Creo que el tesoro está aquí porque las rocas son de un cierto color, el suelo tiene una grieta de una forma específica y los químicos huelen así". Al combinar la capacidad cerebral de muchos modelos de computadora en un solo "superequipo", los científicos esperan no solo encontrar el tesoro, sino también entender el mapa a la perfección.

---

La historia de la búsqueda del tesoro en las Colinas de Ruri

En el suroeste de Kenia, hay un lugar llamado Complejo de Carbonatita de Ruri. Es un paisaje rocoso donde el magma antiguo emergió desde lo profundo del subsuelo, dejando atrás una mezcla compleja de rocas que podrían estar escondiendo un alijo de Tierras Raras. Pero la zona está poco explorada, lo que significa que no tenemos un mapa completo de dónde se encuentra lo bueno. Un equipo de investigadores de la Universidad de Nairobi decidió abordar este misterio utilizando un método de detección de alta tecnología llamado "Aprendizaje de Conjunto Apilado" (Stacked Ensemble Learning).

Piensa en su método como un panel de jueces expertos en un concurso de talentos. En lugar de confiar en un solo juez, trajeron tres tipos diferentes de "jueces" (algoritmos computacionales) para analizar los datos:

1. El SVM (Máquina de Vectores de Soporte): Un juez que es excelente trazando líneas claras entre diferentes grupos de rocas, incluso cuando los grupos son desordenados.
2. El RF (Bosque Aleatorio): Un juez que construye cientos de diminutos árboles de decisión para asegurarse de no ser engañado por una sola roca extraña.
3. El XGBoost: Un juez que aprende de sus errores, volviéndose más inteligente con cada paso que da.

Normalmente, podrías elegir al juez que obtiene más respuestas correctas. Pero este equipo hizo algo ingenioso: crearon un "Juez Principal" (un meta-aprendiz) que escucha a los otros tres jueces y combina sus opiniones para tomar la decisión final. Esta es la parte "apilada". Es como pedir consejo a tres expertos diferentes y luego tener a un mentor sabio que sopesa todas sus respuestas para darte la mejor recomendación posible.

El equipo alimentó a este superequipo con una enorme cantidad de datos: concentraciones químicas de elementos como el Torio y el Uranio, los tipos de rocas presentes y la ubicación de grietas y fallas en el terreno. Enseñaron al modelo a distinguir entre rocas ricas en Tierras Raras y aquellas que no lo son.

Lo que encontraron

Los resultados fueron impresionantes. Cuando probaron su panel de "superjueces", obtuvieron la respuesta correcta el 95.6% de las veces. Eran tan buenos detectando los lugares adecuados que su "puntuación" para separar las zonas buenas de las malas fue de 0.97 (en una escala donde 1.0 es perfecto). Curiosamente, el mejor juez individual del equipo (XGBoost) ya estaba haciendo un gran trabajo por su cuenta, pero el enfoque de equipo hizo que las predicciones fueran aún más estables y confiables.

Pero la verdadera magia no era solo la puntuación; era la explicación. Utilizando una herramienta llamada SHAP (que actúa como una lupa para ver qué está pensando la computadora), los investigadores descubrieron exactamente qué pistas eran las más importantes. El modelo les dijo, de forma clara y directa, que las señales más importantes de un tesoro eran:

• Óxidos de Tierras Raras Totales (TREO): La cantidad total de las "especias" en la roca.
• Fraccionamiento LREE/HREE: Una relación específica entre dos tipos de Tierras Raras que actúa como una huella dactilar para este tipo de mineral.
• Torio y Uranio: Estos elementos suelen estar cerca de las Tierras Raras, por lo que encontrarlos es una gran pista.
• Densidad estructural: Cuántas grietas y fallas hay en el área, que actúan como autopistas para los fluidos ricos en minerales.

El mapa final que produjeron resaltaba zonas específicas en el Complejo de Ruri donde las probabilidades de encontrar estos elementos son muy altas. Estas zonas están vinculadas a las rocas de carbonatita, las rocas alteradas a su alrededor (llamadas fenitas) y las principales líneas de falla.

Por qué esto es importante

El artículo sugiere que este método cambia las reglas del juego porque no solo ofrece una respuesta de "caja negra". Proporciona un mapa claro, basado en datos, en el que los geólogos pueden confiar porque pueden ver por qué la computadora señaló un lugar específico. Los investigadores descubrieron que los mejores lugares se encuentran en las partes centrales del complejo, justo donde las rocas y las señales químicas se alinean.

Aunque el modelo es muy preciso, los autores advierten cuidadosamente que esto es una guía, no una garantía. Sugieren que estas zonas de alta probabilidad deberían ser los primeros lugares para el trabajo de campo real, como excavar trincheras o perforar pozos, para confirmar los hallazgos. Al combinar el poder de un equipo de computadoras inteligentes con la capacidad de explicar su razonamiento, este estudio ofrece una forma nueva y transparente de cazar los minerales críticos de los que depende nuestro futuro.