GeoGraphFormer: A Direction-Aware Graph Transformer for Regional Polymetallic Mineral Prospectivity Mapping

Resumen Técnico: GeoGraphFormer para el Mapeo de la Prospectividad Mineral Polimetálica Regional

Planteamiento del Problema
El Mapeo de la Prospectividad Mineral (MPM) regional enfrenta desafíos significativos para representar con precisión la mineralización controlada estructuralmente. Los métodos estadísticos y de aprendizaje automático tradicionales suelen tratar la evidencia espacial como isotrópica, fallando al capturar la continuidad direccional de los procesos formadores de menas a lo largo de fallas, contactos intrusivos y límites estratigráficos. Si bien las Redes Neuronales de Grafos (GNN) como las Redes Convolucionales de Grafos (GCN) y las Redes de Atención de Grafos (GAT) han mejorado respecto a los métodos basados en raster al modelar la topología espacial, sufren de limitaciones críticas: las GCN agregan características de forma isotrópica, promediando las señales direccionales, mientras que las GAT se centran en el contenido de las características sin codificar explícitamente la orientación de las relaciones espaciales. Además, los Transformers de Grafos estándar, aunque son capaces de capturar dependencias de largo alcance, suelen tratar las relaciones espacales por pares de forma simétrica, careciendo del mecanismo para distinguir las interacciones dependientes de la orientación, esenciales para modelar gradientes geoquímicos anisotrópicos y controles estructurales.

Metodología
Para abordar estas limitaciones, los autores proponen GeoGraphFormer, un marco de Transformer de Grafos sensible a la dirección diseñado para el mapeo de la prospectividad mineral polimetálica regional en el cinturón metalogénico de Lhasa-Woka. La metodología integra el conocimiento del dominio geológico en la arquitectura de aprendizaje profundo a través de los siguientes componentes:

1. Preprocesamiento de Datos e Ingeniería de Características:

   • Datos de Entrada: El modelo utiliza un conjunto de datos geoquímicos-estructurales de 43 bandas que comprende 39 rasters de concentraciones elementales, una capa de densidad de fractura y tres variables de balance de log-ratio isométrico (ILR) (B7, B8, B9).
   • Análisis de Datos Composicionales (CoDA): Para abordar el problema del cierre en los datos geoquímicos, las 39 variables elementales se transforman en tres balances ILR utilizando un método de Partición Binaria Secuencial (SBP). Estos balances representan asociaciones de mineralización específicas (por ejemplo, elementos formadores de mena/guía, diferenciación Cu-Mo frente a W-Sn, y asociaciones Pb-Zn).
   • Tokenización: El área de estudio se particiona en teselas de 16×16 píxeles (resolución de 125 m). Cada tesela se tokeniza en 16 parches no superpuestos de 4×4, creando una secuencia de tokens espaciales con un vector de características de 43 dimensiones por parche.

2. Arquitectura del Modelo:

   • GeoBandWeighting: Un mecanismo de puerta (gating) aprendible aplicado antes de la incrustación de parches (patch embedding) que pondera adaptativamente los 43 canales de entrada, permitiendo al modelo suprimir bandas espectrales no informativas y amplificar las geoquímicamente relevantes.
   • Incrustación de Parches y Codificación Posicional: Los parches se proyectan en una dimensión oculta (128) y se aumentan con codificaciones posicionales sinusoidales 2D para preservar la ubicación espacial absoluta.
   • GeoRelAttn (Atención Relacional Direccional): La innovación central reemplaza la autoatención estándar con un mecanismo que incorpora sesgos direccionales aprendibles. La puntuación de atención entre dos parches cualesquiera es modulada por un sesgo escalar aprendible correspondiente a una de nueve relaciones espaciales: Norte, Sur, Este, Oeste, Noreste, Noroeste, Sureste, Suroeste y Propio (Self). Esto permite al modelo aprender patrones de atención dependientes de la orientación en lugar de tratar a todos los vecinos por igual.
   • GeoBlocks y Clasificación: La arquitectura apila tres GeoBlocks (cada uno con GeoRelAttn y una Red de Alimentación hacia Adelante o Feed-Forward) seguidos de una cabeza de clasificación basada en un token CLS para la predicción binaria (mineralizado vs. no mineralizado).

3. Estrategia de Entrenamiento y Evaluación:

   • Aprendizaje de Conjunto (Ensemble Learning): Para mitigar el sobreajuste dado el limitado conjunto de datos etiquetados (234 teselas: 117 mineralizadas, 117 no mineralizadas), los autores entrenaron un conjunto de 10 modelos con diferentes semillas aleatorias. La predicción final se deriva de una selección codiciosa (greedy selection) de los 5 mejores modelos basados en el AUC de validación.
   • Regularización: Se incluyeron técnicas como suavizado de etiquetas (ε=0.05), Media Móvil Exponencial (EMA) de parámetros, Dropout de Monte Carlo para la estimación de la incertidumbre y aumentación de datos (giros y rotaciones).
   • Métricas: El rendimiento se evalúa mediante Exactitud, ROC-AUC, PR-AUC, F1-score, Sensibilidad y Especificidad en un conjunto de prueba reservado.

Resultados Clave
Evaluado en el conjunto de prueba de Lhasa-Woka, GeoGraphFormer logró:

• Exactitud: 91.67%
• ROC-AUC: 0.9444
• PR-AUC: 0.9478
• F1-Score: 0.9167
• Sensibilidad/Especificidad: Ambos 91.67%

El modelo superó significativamente a los modelos base GCN (81.25% de exactitud, 0.8681 AUC) y GAT (83.33% de exactitud, 0.8854 AUC). Notablemente, GeoGraphFormer mantuvo una sensibilidad y especificidad equilibradas, mientras que los modelos base exhibieron asimetría en la recuperación de clases (class-recall asymmetry). El mapa de prospectividad generado delineó con éxito nueve zonas de alta probabilidad (I–IX) que se alinean con ocurrencias minerales conocidas (pórfidos, skarns y venas hidrotermales) y los principales sistemas de fallas NW-SE y NE-SW.

Contribuciones Clave y Significado
El artículo reclama las siguientes contribuciones y significancia:

1. Aprendizaje de Grafos Sensible a la Dirección: GeoGraphFormer introduce un mecanismo novedoso (GeoRelAttn) que codifica explícitamente la direccionalidad geológica como un sesgo inductivo aprendible dentro de un Transformer de Grafos. Esto aborda la "limitación isotrópica" de las GNN y los Transformers de Grafos previos, permitiendo al modelo preservar señales geológicas dependientes de la orientación, tales como el enriquecimiento paralelo a fallas y la continuidad estructural.
2. Integración de Datos Composicionales y Estructurales: El marco combina eficazmente el análisis de datos composicionales (balances ILR) con variables estructurales (densidad de fractura) y el pesaje adaptativo de canales, creando un espacio de características geológicamente informado que respeta la naturaleza relativa de los datos geoquímicos.
3. Puente entre el Conocimiento Geológico y la IA: El estudio demuestra que tratar la dirección como un parámetro aprendible, en lugar de un atributo de coordenada fijo, permite a los modelos basados en grafos representar mejor la naturaleza anisotrópica de los sistemas formadores de menas. Esto cierra la brecha entre la comprensión de los procesos geológicos (por ejemplo, la migración de fluidos a lo largo de fallas) y el aprendizaje de representaciones de grafos.
4. Aplicación Práctica: El modelo proporciona un marco robusto para el mapeo regional de la prospectividad polimetálica, identificando objetivos de exploración que se alinean con las arquitecturas metalogénicas establecidas en el cinturón de Gangdese.

Limitaciones y Modestia de las Afirmaciones
Los autores reconocen explícitamente algunas limitaciones:

• Tamaño de los Datos: El conjunto de datos etiquetados es pequeño (234 teselas), lo cual es una restricción para el aprendizaje profundo, aunque se mitigó mediante el uso de conjuntos (ensembling) y regularización.
• Generalizabilidad: El modelo fue evaluado en un solo cinturón metalogénico; su transferibilidad a otros entornos tectónicos requiere mayor validación.
• Especificidad de los Depósitos: El modelo predice la prospectividad polimetálica regional binaria en lugar de tipos de depósitos específicos (por ejemplo, distinguir entre pórfido y skarn).
• Validación: Las zonas de alta probabilidad identificadas son objetivos candidatos que requieren mapeo de campo independiente y muestreo geoquímico para su confirmación. Los resultados son puntuaciones de prospectividad relativa, no probabilidades calibradas de mineralización confirmada.

En conclusión, GeoGraphFormer ofrece un avance conceptual en el mapeo de la prospectividad mineral al pasar de una agregación espacial isotrópica a un aprendizaje relacional sensible a la dirección y geológicamente informado, mejorando así la fidelidad de la representación de la señal estructural en los modelos de aprendizaje profundo.