スタンドアロンおよびハイブリッド機械学習アルゴリズムを用いた統合鉱石分類

賢いコンピュータで豊かな鉱石を見つける

金鉱山の成否は単純な問いにかかっています：どの岩を選鉱場へ運ぶ価値があり、どれが単なる捨て石か？ 多くの鉱床では金は断片的で、数メートル単位で急変します。本論文は、最新の人工知能ツール群が掘削コア中の微妙な化学的手がかりをふるいにかけ、従来手法よりも遥かに確実に鉱石、低品位、廃石に分類できることを示します。

金鉱床を読み解くのが難しい理由

イラン西部のSari-Gunay金―多金属鉱山では、金は火山岩と堆積岩が入り混じる複雑な地質中の狭く不規則な脈に局在します。断層や裂け目、鉱化の変化により、金品位は短距離で豊富から貧薄へと急変します。古典的な地質学的・統計的アプローチはそのような不規則性に弱く、しばしば滑らかな変化を仮定し、限られた変数しか使いません。しかし、各掘削コアにはさらに多くの情報が眠っています：ヒ素やアンチモン、ビスマスのような微量元素は金を運ぶ流体と一緒に移動することが多いのです。課題は、これら多数でノイズを含む測定値を、明確な岩石分類の判断に変換することです。

微量元素を学習データに変える

研究者は8本の掘削孔から190のコア試料を採取し、各試料は1メートル区間を代表します。各試料について誘導結合プラズマ（ICP）分析で19種類の微量元素を測定し、金含有量に基づいて3つのクラスのいずれかに分類しました：鉱石（1 g/t超）、低品位鉱石（0.5–1 g/t）、廃石（0.5 g/t未満）。各クラスの試料の約3分の2をモデルの学習に使い、残りの3分の1は未見データでの性能を評価するために保持しました。この慎重な分割により、アルゴリズムが学習データを丸暗記して実運用で失敗する過学習の一般的な落とし穴を避けられました。

8つの異なる機械学習による“意見”

化学的シグネチャを読み取るために、研究チームはニューラルネットワークやファジィ論理システムから、多数の単純な決定木を組み合わせるいくつかのブースティング手法に至るまで、8種類の機械学習モデルを展開しました。各モデルは19の微量元素のパターンが3つの岩種にどう対応するかを学習しました。チームは各アルゴリズムの主要な設定を自動的に調整し、数千の変種を試して、総合精度（正解率）、適合率（予測クラスの純度）、再現率（真の鉱石や廃石をどれだけ取り逃がさないか）の3指標を最大化しました。個々の手法の中では、AdaBoostと呼ばれるブースト型決定木アプローチが最もバランスが良く、テスト試料のほぼ90％を正しく分類し、鉱石・低品位・廃石それぞれで最小の誤分類を示しました。

モデルの委員会を構築する

最良の単独モデルで止める代わりに、著者らは8つの“意見”を組み合わせればさらに良くなるかを検討しました。彼らは委員会機を構築しました：8つのスタンドアロンアルゴリズムの出力を取り、重み付き平均を形成する最終モデルです。各メンバーにどれだけ信頼を置くかを決めるために、彼らは遺伝的アルゴリズムと焼きなまし法に触発された2つの最適化戦略を用いました。これらは多くの可能な重みの組み合わせを探索して、テスト精度を最大にする組合せを見つけます。最適な委員会構成では、AdaBoostとハイブリッドなニューロファジィシステムが最大の重みを占め、性能の劣るモデルは小さな補正を与えるにとどまりました。

鉱山にとって鋭い判断

どちらの委員会版も個別モデルを大幅に上回りました。平均的な単独モデルの精度が約88％であったのに対し、最適化された委員会は独立したテストセットでおよそ94％の精度、適合率、再現率を達成し、7.28％の改善を示しました。誤分類された試料はAdaBoost単独と比べてほぼ半分に減りました。稼働中の鉱山にとって、この改善は豊かなメートルを廃石として捨てる量の削減や、選鉱場に送る不毛な岩石の減少に直結します。端的に言えば、本研究は複数の機械学習手法を最適化アルゴリズムで統合することで、微妙な化学的痕跡を堅牢な鉱山規模の意思決定に変えられることを示しています。

引用: Gholami Vijouyeh, A., Kadkhodaie, A., Siahcheshm, K. et al. Integrated ore classification using stand-alone and hybridised machine learning algorithms. Sci Rep 16, 14625 (2026). https://doi.org/10.1038/s41598-026-42248-x

キーワード: 金鉱石分類, 微量元素の地球化学, 採鉱における機械学習, アンサンブルモデル, 掘削コア解析