La transición energética requiere minerales críticos. Aunque Estados Unidos tiene abundantes recursos propios, el país ha dependido en gran medida de fuentes extranjeras.
Eso se debe en parte a que uno de los principales obstáculos para acceder a los depósitos minerales críticos de Estados Unidos es que permanecen en gran parte sin mapear. Sin embargo, eso puede estar a punto de cambiar.
El Departamento de Defensa y el Servicio Geológico de EE. UU. emitieron dos desafíos separados para explorar el uso de inteligencia artificial y aprendizaje automático para acelerar la tarea del USGS de evaluar la disponibilidad y el potencial de extracción de 50 minerales críticos. Los desafíos consisten en obtener la ayuda de investigadores externos y desarrolladores de IA para resolver un problema desconcertante.
El objetivo final de los desafíos no es automatizar las evaluaciones por completo, dijo Graham Lederer, geólogo investigador del Centro de Ciencias de Geología, Energía y Minerales de USGS. Más bien, es idear una forma de usar la IA para acelerar el proceso de digitalización de mapas y otros datos enterrados durante mucho tiempo y usarlos para comprender el panorama de los recursos minerales del país.
“En este momento, hacemos esto básicamente un producto a la vez o un tipo de depósito mineral a la vez, porque es muy manual y requiere mucho esfuerzo humano”, dijo Lederer. “Pero si configura bien los algoritmos de aprendizaje automático y generaliza bien las soluciones, [we] podría estar haciendo los 50 productos básicos simultáneamente, lo que sería transformador en la forma en que trabajamos y el ritmo al que trabajamos”.
Un mapa de las ubicaciones de los depósitos minerales críticos en los EE. UU.Imagen: USGS
Si bien los geólogos del gobierno y sus investigadores de tecnología militar pueden parecer extraños compañeros de cama, la colaboración podría permitir que los primeros aceleren las evaluaciones geológicas que son el primer paso para construir una cadena de suministro crítica nacional. Dadas las implicaciones de seguridad nacional, así como la necesidad de implementar tecnología de energía limpia lo más rápido posible, esa misión ha agregado urgencia.
“Parte del problema es que recopilamos tantos datos hace 70, 80, 90 años, antes de que la recopilación de datos digitales fuera posible y efectiva”, dijo Joshua Elliott, gerente de programa que trabaja en innovación de información en DARPA, el brazo de investigación del DOD. “Estamos un poco atrasados porque estábamos muy adelantados. Gran parte de nuestra información está encerrada en estos mapas increíblemente valiosos e increíblemente detallados que fueron producidos por [USGS experts] hace dos generaciones.”
Básicamente, hay dos pasos, que corresponden a los dos desafíos, que se requieren para usar los mapas existentes para localizar minerales. El primero es, dijo Elliott, «georreferenciación de precisión extrema» para digitalizar copias impresas y escaneos de mapas en un formato que sea utilizable. Luego, los investigadores necesitan extraer características importantes como líneas de falla y formaciones geológicas para descubrir dónde podrían estar los depósitos minerales. A mano, este sería un proceso minuciosamente largo, pero Elliott dijo que la IA y el aprendizaje automático tienen el potencial de «hacer una mella sustancial» en el tiempo que podría tomar.
Una imagen de antes y después de un mapa de geología económica de Jackson Peak, California, de 1894 que ha sido digitalizado.Imagen: USGS/DARPA; Protocolo
En este momento, dijo Elliott, las agencias estiman que aproximadamente el 10% de la base de datos central de USGS de 100,000 mapas se han digitalizado incluso parcialmente, y una proporción aún menor ha extraído los datos de una manera que es utilizable.
Pero el tiempo es esencial. La Ley de Energía de 2020 estableció el objetivo de completar todas las evaluaciones críticas de minerales en cuatro años. Sin embargo, ese es el tiempo que le puede llevar al USGS evaluar la disponibilidad de un solo mineral.
“Eso requiere un aumento de orden de magnitud en la eficiencia”, dijo Lederer. “Tenemos muchas de las herramientas, pero necesitamos escalar esas herramientas para poder realmente hacer esto y de manera eficiente, y ahí es donde entran los esfuerzos de inteligencia artificial y aprendizaje automático”.
Sin embargo, la tarea no es fácil, según Asitang Mishra, científico de datos principal del grupo de análisis e IA del Laboratorio de Propulsión a Chorro de la NASA, que ha examinado de cerca qué tipo de herramientas de IA podrían ser necesarias. La IA o el aprendizaje automático se adaptan bien a un análisis altamente repetitivo que llevaría horas humanas, si no días, dijo, lo que es un buen augurio para el nuevo esfuerzo.
El desafío es una oportunidad para aprovechar la experiencia de los investigadores que tienen las habilidades para usar IA para digitalizar los datos existentes o extraer las características relevantes y «aprovechar el segmento más amplio del ecosistema de innovación que existe», dijo Elliott. Esto podría incluir empresas mineras del sector privado, grupos de investigación universitarios o incluso individuos. Para cada desafío, DARPA ofrece $10,000 para el primer premio, $3,000 para el segundo y $1,000 para el tercero.
Para el desafío de georreferenciación, los grupos y las personas que participen recibirán 1000 o más mapas para que la IA aprenda. Para tener éxito, el anuncio del desafío dice que los equipos tendrán que «geolocalizar con precisión un mapa de una ubicación desconocida y un sistema de coordenadas ajustando puntos de coordenadas que se puedan referenciar a ubicaciones conocidas en uno o más mapas base».
Para el desafío de extracción de características, los participantes recibirán mapas y leyendas etiquetadas. Los usarán para entrenar a la IA para identificar características que podrían usarse para identificar ubicaciones de minerales.
Incluso si de los desafíos no surgen respuestas claras a la situación del USGS, Mishra dijo que al menos las agencias tendrán una mejor idea de dónde está la brecha en el uso del aprendizaje automático para estas tareas.
Ilya Jackson, un asociado postdoctoral enfocado en aplicar IA a las cadenas de suministro en el Centro de Transporte y Logística del MIT que no está afiliado al desafío, dijo que el esfuerzo es «un paso en la dirección correcta» y «vale la pena intentarlo», pero su éxito dependerá de la calidad de los datos.
“Si tiene un proyecto que tiene muchos datos de alta calidad, la IA funcionará y será fácil de implementar”, dijo Jackson.
En última instancia, el plan de DARPA es crear un gran desafío de varios años que implicará reclutar a los equipos que ya están familiarizados con la tarea de digitalización y extracción de mapas para usar IA y aprendizaje automático para hacer ese trabajo. Este primer paso, dijo Mishra, es «simplemente entender las aguas».
Los minerales de mayor prioridad son los necesarios para la transición energética, y en especial para las baterías. El níquel, el manganeso, el litio y el grafito son vitales en ese sentido, y la competencia por estos a escala mundial se ha vuelto cada vez más dura. China, dijo Elliott, ha estado acelerando activamente su capacidad minera y ahora domina las cadenas de suministro de muchos de ellos.
Mapa mundial de importaciones de minerales.Imagen: USGS
“Ciertamente, se han expresado algunas preocupaciones en todo el gobierno de EE. UU. sobre si nuestra dependencia de ellos crea o no una desventaja estratégica”, dijo Elliott. Rusia también es una fuente importante de minerales críticos, al igual que otros países sin un liderazgo elegido democráticamente, lo que podría crear más vulnerabilidades en la cadena de suministro. En la República Democrática del Congo, por ejemplo, las dos minas de cobalto más grandes alguna vez fueron propiedad de empresas estadounidenses, pero desde entonces se han vendido a empresas chinas, lo que ha comprometido la disponibilidad estratégica de esos minerales. Una de esas empresas está siendo investigada por presuntamente no cumplir con los pagos de regalías.
La construcción de su propia cadena de suministro de minerales críticos podría mitigar algunos de esos riesgos y ayudar a los aliados a medida que buscan acelerar su propia transición de energía limpia.
“La información que se necesita para tomar decisiones aguas abajo sobre dónde debe ocurrir la extracción, ¿dónde debe ocurrir la producción? Todo eso debe estar informado por dónde están los recursos o dónde podrían estar los recursos”, dijo Lederer.
AI podría ayudar a responder esas preguntas más temprano que tarde. DARPA anunciará los ganadores de los desafíos el próximo mes.
