Ученые ПНИПУ ускорили нейросетями поиск руды золота и меди вдвое

Пермский национальный исследовательский политехнический университет (ПНИПУ) сообщил, что его ученые научили нейросети находить рудные месторождения примерно в два раза быстрее. Подход рассчитан на поиск золота, меди, алюминия и других стратегических металлов. Для страны это дорогая статья расходов: по данным публикации CNews, поиск новых месторождений обходится в сотни миллиардов. Вдвое меньше времени на поиск означает заметную экономию, если цифра выдержит проверку.

Где у геологоразведки уходит время

Поиск месторождения идет цепочкой. Сначала собирают геофизические, геохимические и геологические данные, потом их интерпретируют, выделяют перспективные участки и только после этого бурят. Интерпретация обычно держится на опыте специалистов и занимает недели и месяцы. Бурение стоит дороже всего, и каждая скважина в пустой породе съедает бюджет.

Нейросети здесь работают как фильтр. Они ищут в разнородных данных закономерности, которые человек заметит не сразу или заметит слишком поздно, и ранжируют участки по вероятности находки. Мировые добывающие компании идут этим путем уже несколько лет. Российские разработки в этой области пока встречаются реже, поэтому новость из Перми интересна.

Что известно и чего нет

В доступном материале мало технических деталей. Вот что можно утверждать на его основе:

• Разработчик: ПНИПУ, Пермь
• Заявленный эффект: ускорение поиска примерно в 2 раза
• Целевые металлы: золото, медь, алюминий и другие стратегические
• Масштаб проблемы: затраты на поиск новых месторождений исчисляются сотнями миллиардов
• Не раскрыто: архитектура модели, объем и источник обучающих данных, точность и доля ложных срабатываний, результаты полевых испытаний

Последний пункт важнее остальных. Без него «в два раза быстрее» остается обещанием, а не метрикой.

Как читать цифру «в два раза»

Ускорение можно измерять по-разному. Если речь о времени обработки и интерпретации данных, результат вполне реалистичен: модель считает быстрее аналитика, и это ожидаемо. Если же речь о сроке от начала работ до подтвержденной находки, заявка куда амбициознее. Этот срок упирается в бурение, лицензирование и логистику, и нейросеть на них почти не влияет.

Есть и вторая оговорка: с чем сравнивали. Двукратный выигрыш относительно ручной интерпретации и тот же выигрыш относительно классических статистических методов дают очень разные результаты. Для рудных задач характерна еще одна сложность. Известных месторождений мало, обучающие выборки небольшие, а модели склонны подстраиваться под конкретный регион и плохо переносятся на другую геологию.

Что проверить до внедрения

Для добывающих компаний и инвесторов практичный порядок действий такой. Сначала запросить у разработчиков описание метода и данных, на которых модель обучалась. Затем проверить ее на закрытом участке, где результат уже известен, и сравнить прогноз с фактом. Важно смотреть не только на долю найденных объектов, но и на число пустых участков, которые модель назвала перспективными, потому что именно они определяют цену ошибки в бурении.

Если тест пройдет, ускорение даст реальную экономию на ранних стадиях разведки. Если нет, у университета останется интересный прототип, а у рынка еще одна цифра из пресс-релиза. Публикация статьи с метриками или пилот с недропользователем быстро покажут, какой из вариантов верен.