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

Imaginez que vous êtes un chercheur de trésors, mais au lieu de l'or ou des bijoux, vous cherchez les ingrédients invisibles qui font fonctionner votre smartphone et font bondir votre voiture électrique. Ces ingrédients sont appelés les Terres Rares (TR), et ils sont les « épices » de la technologie moderne, essentiels pour tout, des éoliennes aux dispositibles médicaux. Le problème, c'est que les trouver, c'est comme essayer de trouver une aiguille spécifique dans une botte de foin qui change constamment de forme et de position.

Pour trouver ces aiguilles, les géologues comptaient autrefois sur le creusement de trous et sur des suppositions basées sur l'apparence des roches environnantes. Mais aujourd'hui, nous avons un nouveau super-pouvoir : des ordinateurs capables d'apprendre. Considérez l'apprentissage automatique (machine learning) comme un étudiant très intelligent capable de lire des milliers de cartes et de rapports chimiques pour repérer des modèles que les humains pourraient manquer. Cependant, il y a un pièat : ces ordinateurs intelligents sont souvent des « boîtes noires ». Vous leur demandez : « Où est le trésor ? » et ils répondent : « Ici », mais ils ne peuvent pas expliquer pourquoi. C'est comme un ami qui vous donne des directions mais refuse de vous dire quels points de repère regarder. Cela rend les géologues nerveux car, s'ils ne comprennent pas le « pourquoi », ils ne peuvent pas faire confiance au « où ».

C'est là qu'intervient une nouvelle approche appelée « Intelligence Artificielle Explicable » (XAI). C'est comme donner une voix à l'ordinateur pour qu'il puisse dire : « Je pense que le trésor est ici parce que les roches ont une certaine couleur, que le sol est fissuré d'une manière spécifique et que les produits chimiques sentent ceci. » En combinant la puissance de calcul de nombreux modèles informatiques différents en une seule « super-équipe », les scientifiques espèrent non seulement trouver le trésor, mais aussi comprendre parfaitement la carte.

---

L'histoire de la chasse au trésor des collines de Ruri

Dans le sud-ouest du Kenya, il existe un endroit appelé le Complexe de Carbonatite de Ruri. C'est un paysage rocheux où du magma ancien a poussé depuis les profondes du sous-sol, laissant derrière lui un mélange complexe de roches qui pourraient cacher un stock de Terres Rares. Mais la zone est sous-explorée, ce qui signifie que nous n'avons pas de carte complète de l'emplacement des ressources précieuses. Une équipe de chercheurs de l'Université de Nairobi a décidé de s'attaquer à ce mystère en utilisant une méthode de détective de haute technologie appelée « Apprentissage d'Ensemble Empilé » (Stacked Ensemble Learning).

Considérez leur méthode comme un panel de juges experts lors d'un concours de talents. Au lieu de s'appuyer sur un seul juge, ils ont fait appel à trois types de « juges » différents (algorithmes informatiques) pour examiner les données :

1. Le SVM (Support Vector Machine) : Un juge excellent pour tracer des lignes claires entre différents groupes de roches, même lorsque les groupes sont désordonnés.
2. Le RF (Random Forest) : Un juge qui construit des centaines de petits arbres de décision pour s'assurer de ne pas être trompé par une seule roche étrange.
3. L'XGBoost : Un juge qui apprend de ses erreurs, devenant plus intelligent à chaque étape franchie.

Habituellement, vous pourriez choisir le juge qui donne le plus de bonnes réponses. Mais cette équipe a fait quelque chose d'astucieux : elle a créé un « Juge Principal » (un méta-apprenant) qui écoute les trois autres juges et combine leurs opinions pour prendre la décision finale. C'est la partie « empilée ». C'est comme demander conseil à trois experts différents, puis demander à un mentor sage de peser toutes leurs réponses pour vous donner la meilleure recommandation possible.

L'équipe a nourri cette super-équipe avec une quantité massive de données : concentrations chimiques d'éléments comme le Thorium et l'Uranium, types de roches présents, et emplacement des fissures et des failles dans le sol. Ils ont appris au modèle à distinguer les roches riches en Terres Rares de celles qui ne le sont pas.

Ce qu'ils ont trouvé

Les résultats sont impressionnants. Lorsqu'ils ont testé leur panel de « super-juges », celui-ci a donné la bonne réponse 95,6 % du temps. Il était si doué pour repérer les bons endroits que son « score » de séparation entre les zones bonnes et mauvaises était de 0,97 (sur une échelle où 1,0 est parfait). Curieusement, le meilleur juge individuel de l'équipe (XGBoost) faisait déjà un excellent travail seul, mais l'approche de l'équipe a rendu les prédictions encore plus stables et fiables.

Mais la véritable magie ne résidait pas seulement dans le score ; c'était dans l'explication. En utilisant un outil appelé SHAP (qui agit comme une loupe pour voir ce que l'ordinateur pense), les chercheurs ont découvert exactement quels indices étaient les plus importants. Le modèle leur a dit, haut et fort, que les signes les plus importants d'un trésor étaient :

• Les Oxydes de Terres Rares Totaux (TREO) : La quantité globale de « épices » dans la roche.
• La fraction de LREE/HREE : Un ratio spécifique de deux types de Terres Rares qui agit comme une empreinte digitale pour ce type de minéral.
• Le Thorium et l'Uranium : Ces éléments accompagnent souvent les Terres Rares, donc les trouver est un indice majeur.
• La densité structurelle : Le nombre de fissures et de failles dans la zone, qui servent d'autoroutes pour les fluides riches en minéraux.

La carte finale qu'ils ont produite met en évidence des zones spécifiques du Complexe de Ruri où les chances de trouver ces éléments sont très élevées. Ces zones sont liées aux roches carbonatitiques, aux roches altérées qui les entourent (appelées fenites) et aux principales lignes de faille.

Pourquoi cela importe

L'article suggère que cette méthode change la donne car elle ne donne pas seulement une réponse de « boîte noire ». Elle fournit une carte claire, basée sur les données, que les géologues peuvent croire car ils peuvent voir pourquoi l'ordinateur a désigné un endroit spécifique. Les chercheurs ont découvert que les meilleurs endroits se trouvent dans les parties centrales du complexe, là où les roches et les signaux chimiques s'alignent.

Bien que le modèle soit très précis, les auteurs précisent avec prudence qu'il s'agit d'un guide, et non d'une garantie. Ils suggèrent que ces zones à haute probabilité devraient être les premières destinations pour des travaux de terrain réels, comme le creusement de tranchées ou le forage de trous, afin de confirmer les résultats. En combinant la puissance d'une équipe d'ordinateurs intelligents avec la capacité d'expliquer leur raisonnement, cette étude offre une nouvelle façon transparente de chasser les minéraux critiques dont notre avenir dépend.