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

Résumé Technique : Recherche sur la localisation spatiale 3D et la prédiction de corps minéralisés profonds dissimulés basées sur les réseaux de neurones sur graphes

Énoncé du problème
La localisation spatiale et la prédiction de corps minéralisés profonds et dissimulés représentent un défi technique critique dans l'exploration des ressources minérales. Contrairement aux gisements peu profonds, les corps minéralisés profonds existent dans des environnements géologiques complexes régis par des processus multi-étapes superposés (mouvements tectoniques, intrusions magmatiques, altération hydrothermale), ce qui entraîne une forte hétérogénéité spatiale et des caractéristiques de distribution non linéaires. Les méthodes de prédiction actuelles font face à des limitations significatives :

1. Rareté et incertitude des données : Les données de sondage sont éparses et inégalement réparties avec la profondeur, ce qui entraîne une grande incertitude géologique.
2. Contraintes méthodologiques : Les méthodes géostatistiques traditionnelles (ex. : Krigeage) reposent sur des hypothèses de stationnarité spatiale qui échouent dans des conditions complexes et hétérogènes. Les approches d'apprentissage profond (ex. : CNN, RNN) opèrent généralement sur des grilles régulières ou des séquences dans l'espace euclidien, échouant à capturer les relations topologiques spatiales essentielles (adjacence, troncature, inclusion) entre les éléments géologiques.
3. Intégration des connaissances : Les méthodes existantes de fusion de données multi-sources traitent souvent les données hétérogènes (sondages, géophysique, géochimie) comme de simples concaténations de caractéristiques, échouant à exploiter les associations structurelles. De plus, la connaissance géologique experte est souvent intégrée comme une entrée statique plutôt que comme des contraintes continues durant l'entraînement du modèle, ce qui limite la plausibilité géologique des prédictions dans des conditions de faible échantillonnage.

Méthodologie
Les auteurs proposent HetGNN-KG, un cadre de prédiction par apprentissage de graphes qui intègre des réseaux de neurones sur graphes hétérogènes avec des contraintes de graphes de connaissances géologiques. La méthodologie se compose de trois composantes centrales :

1. Construction de graphes hétérogènes pour les données multi-sources :

   • Représentation des nœuds : Les données multi-sources sont encodées sous la forme d'un graphe hétérogène où les nœuds représentent les échantillons de sondage (lithologie, altération, teneur, profondeur), les anomalies géophysiques (gravité, magnétisme, résistivité) et les indicateurs géochimiques.
   • Définition des arêtes : Trois types d'arêtes sont établis pour refléter les réalités géologiques :
     • Proximité spatiale : Connecte les nœuds basés sur la distance 3D, en incorporant un facteur d'atténuation de la profondeur pour tenir compte de la diminution de la densité des données à des profondeurs plus grandes.
     • Contact géologique : Connecte les nœuds basés sur les types de contacts (faille, stratigraphique, intrusif) avec des poids apprenables.
     • Sémantique génétique : Connecte les nœuds géophysiques et géochimiques lorsque les anomalies physiques et les enrichissements d'éléments présentent des réponses spatiales coordonnées.
   • Passage de messages : Un mécanisme de passage de messages hétérogène sensible à la profondeur est employé. Il utilise des matrices de poids et des modules d'attention distincts pour différents types de relations, permettant au modèle de distinguer la signification physique des différentes relations géologiques tout en préservant les connexions de boucles de rétroaction pour éviter la dilution de l'information de mesure originale.

2. Prédiction contrainte par un graphe de connaissances géologiques :

   • Construction du graphe de connaissances : Un graphe de connaissances de minéralisation est construit avec des entités (ex. : failles contrôlant la minéralisation, zones d'altération) et des relations (ex. : « contrôle », « associé à »).
   • Alignement des plongements (Embeddings) : Les plongements d'entités du graphe de connaissances sont alignés avec les plongements de nœuds du graphe de données via une matrice de projection partagée.
   • Pertes de contrainte : Trois fonctions de perte spécifiques sont intégrées dans le processus d'entraînement pour imposer les règles géologiques :
     • Perte d'alignement ($\mathcal{L}_{align}$) : Minimise la distance entre les nœuds du graphe de données et les entités correspondantes du grapque de connaissances (ex. : un nœud de sondage proche d'une faille s'aligne avec l'entité « faille contrôlant la minéralisation »).
     • Perte de contrainte structurelle ($\mathcal{L}_{struct}$) : Basée sur les principes de distance translationnelle, elle assure la cohérence géométrique des triplets de minéralisation dans l'espace de plongement.
     • Perte de contrainte sémantique ($\mathcal{L}_{sem}$) : Pénalise les prédictions où les nœuds à haute probabilité de minéralisation manquent de similitude sémantique avec les entités géologiques de contrôle correspondantes. Cette perte est pondérée par la probabilité de prédiction pour concentrer les contraintes sur les zones potentiellement minéralisées.

3. Quantification de l'incertitude :

   • Le cadre utilise le Dropout de Monte Carlo lors de l'inférence pour décomposer l'incertitude de prédiction en Incertitude Épistémique (incertitude des paramètres du modèle due à la rareté des données) et Incertitude Aléatoire (bruit inhérent aux données). Cela permet une évaluation de la fiabilité de la prédiction stratifiée par profondeur.

Contributions clés

1. Cadre de graphe unifié : Construction d'un cadre d'apprentissage de graphes utilisant des graphes hétérogènes pour représenter uniformément les données géologiques multi-sources (sondage, géophysique, géochimie) et un graphe de connaissances géologiques, permettant une opération synergique au sein d'un pipeline d'entraînement unique.
2. GNN hétérogène sensible à la profondeur : Proposition d'une méthode de modélisation d'association spatiale qui encode les associations physiques cross-modales et la rareté des données dépendantes de la profondeur via des types d'arêtes spécialisés et des facteurs d'atténuation de la profondeur, empêchant l'interférence mutuelle entre les différentes modalités de données.
3. Apprentissage de contraintes guidé par la connaissance : Développement d'une méthode de prédiction qui intègre les règles de minéralisation sous forme de pertes de contraintes structurelles et sémantiques différentiables. Cela permet à l'apprentissage piloté par les données et aux contraintes de règles géologiques de fonctionner conjointement, garantissant que les prédictions respectent la plausibilité géologique.
4. Décomposition de l'incertitude : Mise en œuvre d'une méthode pour évaluer quantitativement l'incertitude de la prédiction en distinguant les lacunes de connaissances (épistémique) du bruit de mesure (aléatoire), aidant ainsi à la hiérarchisation des cibles de forage.

Résultats expérimentaux
Le cadre a été validé sur six ensembles de données : un ensemble d'ingénierie locale provenant de la ceinture métallogénique du centre-sud du Yangtze (gisements de Cu-Fe de type skarn) et cinq ensembles de données publics (Gawler Craton, modèles synthétiques Noddyverse, porphyre cuprifère de l'USGS, géochimie de la NGSA, et l'or orogénique MRD282).

• Performance : La méthode proposée (HetGNN-KG) a systématiquement surpassé six modèles de référence (Kriging, Random Forest, SVM, 3D-CNN, GAT et GNN homogène) sur tous les ensembles de données. Elle a obtenu les scores AUC, F1, précision et rappel les plus élevés.
• Généralisation : La méthode a démontré une performance stable à travers divers contextes géologiques et types de gisements. L'écart de performance était le plus marqué sur l'ensemble de données multi-modal de Gawler, validant l'efficacité de la modélisation par graphe hétérogène.
• Études d'ablation : Le retrait de composants spécifiques (ex. : arêtes sémantiques génétiques, perte de contrainte sémantique) a entraîné des baisses de performance significatives, confirmant que les associations cross-modales et les contraintes de connaissance sont les principaux moteurs du succès du modèle.
• Visualisation et incertitude :
  • Les prédictions 3D ont montré une extension directionnelle le long des structures de failles et des zones de contact, conformément aux règles géologiques, contrairement aux sorties ellipsoïdales isotropes des 3D-CNN.
  • L'analyse de l'incertitude a révélé que l'incertitude épistémique augmentait avec la profondeur dans les zones de faible couverture de sondages, tandis que l'incertitude aléatoire était corrélée aux zones de contact géologique.
  • Les visualisations t-SNE ont démontré que les contraintes du graphe de connaissances regroupent efficacement les nœuds minéralisés plus près des plongements d'entités géologiques pertinentes, réduisant le chevauchement avec les nœuds non minéralisés.

Signification et revendications
L'article affirme que HetGNN-KG répond aux limitations fondamentales des méthodes existantes dans l'exploration profonde en dépassant les structures de données euclidiennes pour capturer des topologies spatiales complexes et en intégrant dynamiquement la connaissance géologique plutôt que de manière statique. Le cadre est présenté comme un outil qui améliore la plausibilité géologique et l'interprétabilité des prédictions de localisation spatiale 3D, particulièrement dans les environnements profonds à faibles données. En décomposant l'incertitude, la méthode fournit des informations exploitables pour prioriser l'ingénierie d'exploration, en distinguant les régions nécessitant davantage de collecte de données (haute incertitude épistémique) de celles présentant un bruit de mesure inhérent (incertitude aléatoire). Les auteurs positionnent ce travail comme une étape vers une IA plus fiable et guidée par la connaissance pour l'évaluation des ressources minérales, tout en notant que des travaux futurs sont nécessaires pour les mises à jour dynamiques des graphes de connaissances et les stratégies d'apprentissage actif.