Die Welt braucht mehr Metalle – KI kann sie vielleicht finden
Wussten Sie bereits, dass1:
- Ein typisches Elektroauto sechsmal so viele Mineralien wie ein herkömmliches Auto benötigt?
- Eine typische Onshore-Windkraftanlage neunmal mehr Bodenschätze als ein Gaskraftwerk benötigt?
- Seit 2010 ist die durchschnittliche Menge an Mineralien, die für eine neue Einheit Stromerzeugungskapazität benötigt wird, um 50 % gestiegen, da der Anteil erneuerbarer Energien gestiegen ist.
- Es ist möglich, dass die Nachfrage nach Lithium bis 2040 um das 40-Fache steigen wird, während die Nachfrage nach Graphit, Kobalt und Nickel um das 20- bis 25-Fache steigen könnte.
Es besteht eindeutig ein Bedarf an 1) mehr natürlichen Ressourcen und 2) effizienten Mitteln, um sie effektiver zu nutzen.
WisdomTree hat eine lange Tradition in der Fokussierung auf Rohstoffmärkte und verschiedene thematische Trends. Einige der interessantesten Konzepte kommen zum Vorschein, wenn sich diese verschiedenen Arten von Initiativen überschneiden.
Es ist eindeutig, dass:
1. Die Welt sich mehr als je zuvor in der jüngeren Geschichte auf die Reduzierung von CO2-Emissionen konzentriert. Dies könnte zu bestimmten Maßnahmen führen, wie z. B. einem massiven Anstieg der Nachfrage nach Elektrofahrzeugen.
2. Ein massives Wachstum der Nachfrage nach Elektrofahrzeugen führt zu einem massiven Anstieg der Nachfrage nach Batterien, die viele Rohstoffe benötigen.
3. Wenn wir als globale Gesellschaft mehr dieser Rohstoffe finden wollen, werden neue Techniken erforderlich sein, ähnlich wie Horizontalbohrungen in Schiefer erforderlich waren, um mehr fossile Brennstoffressourcen zu finden. Was ist das für eine ähnlich neue Technik, mit der man zum Beispiel mehr Kobalt, Nickel oder Lithium finden kann?
Mehr Daten könnten zu effektiverem Mining führen
Explorationsgeologen haben eine begrenzte Kapazität, um reichhaltige Daten zu verarbeiten, die von der neuen Generation von Explorationswerkzeugen wie Geophysik, hyperspektrale Bildgebung, Geochemie und Mineralologie bereitgestellt werden. Richtig kalibrierte maschinelle Lerntechniken können verwendet werden, um die Muster zu erkennen, die die besten Chancen für das Vorhandensein bestimmter Erzarten anzeigen – wie Lithium, Kupfer, Nickel oder was auch immer gewünscht werden könnte. Wenn man sich einen bestimmten Standort als eine Reihe von Erdblöcken vorstellen kann und das Computermodell die Daten innerhalb jedes Erdblocks verfolgen kann, könnte die Effizienz größer sein2.
Diese Techniken erfordern derzeit eine erhebliche Überwachung, da Algorithmen bei der Verarbeitung von Satellitenbildern bestimmte Muster in Seen, Golfplätzen oder Kläranlagen als großes Explorationspotenzial erkennen können3. In Sambia wurde bereits ein nützliches Werkzeug entwickelt, um mit mafischem Gestein umzugehen, das für den Unerfahrenen wie Signale für ein Kupfervorkommen aussehen könnte. Der Vorteil richtig eingestellter Algorithmen kann zur Erkennung dieser falschen Signale führen4.
KoBold Metals – Namhaftes Unternehmen, das versucht, die Suche nach wichtigen Mineralien zu unterbrechen
KoBold Metals ist ein Startup, das von Bill Gates’ Breakthrough Energy Ventures unterstützt wird. Das Unternehmen will mithilfe künstlicher Intelligenz Metalle finden, die für den Elektrofahrzeug-Boom benötigt werden. In einer kürzlich durchgeführten Finanzierungsrunde konnte KoBold 192,5 Millionen US-Dollar aufbringen5.
Eine Datenerfassungstechnik beinhaltet eine 115 Fuß breite Kupferspule, die an einem Hubschrauber baumelt, elektromagnetische Wellen in die Erde sendet und Ströme tief in die Erde eindringen lässt. Mineralien haben unterschiedliche elektromagnetische Eigenschaften, und die zurückkommenden Signale enthalten wertvolle Informationen über die Arten von Mineralien an verschiedenen Orten. Nickel- oder Kobaltvorkommen weisen bestimmte Eigenschaften auf, welche die Anzeigen des Detektors widerspiegeln. Mit diesem Ansatz ließen sich an einem guten Tag mehr als 160 km zurücklegen. Es ist unwahrscheinlich, dass eine einzelne Technik alle Antworten enthält, aber die Fähigkeit, 1) mehr Daten effizienter zu erfassen und 2) verschiedene Arten von Daten zu überlagern, um bestimmte regionale Lagerstätten besser zu verstehen, könnte hilfreich sein6.
Bergleute haben darauf hingewiesen, dass neue Lagerstätten viel tiefer in der Erdkruste gefunden werden müssen, wenn die Welt in der Lage sein soll, ihren Bedarf an grüner Energie der Zukunft zu decken. Es ist möglich, dass sich bestimmte Muster in den oberen Krustenschichten befinden, die auf das potenzielle Vorhandensein bestimmter Erze in den unteren Schichten hinweisen könnten.
Der Bergbausektor muss gestört werden
Nachdem Unternehmen verschiedene Rechte und Genehmigungen erhalten haben, kann es noch immer mehr als zehn Jahre dauern, bis neue Minen in Betrieb gehen. Die Suche nach dem bestmöglichen Ort zur Exploration kann ebenfalls viel Zeit in Anspruch nehmen. Die meisten leicht identifizierbaren hochgradigen Lagerstätten wurden bereits gefunden, und die Investitionen in die Exploration sind rückläufig. Eine grobe Faustregel lautet, dass für jeweils 100 bewertete Lagerstätten eine profitable Abbaustätte gefunden wird. Es ist möglich, dass die tatsächliche Zahl in den letzten Jahren eher bei eins zu tausend liegt7.
KoBold glaubt, dass die Entdeckungsraten um den Faktor 20 gesteigert werden können, und auch ein Vorteil besteht, wenn weniger unrentable Bohrlöcher gebohrt werden müssen8.
In Kanada wird viel Anfangsarbeit geleistet. Kanada verfügt über große Mengen öffentlich zugänglicher Studiendaten, wie z.B.9:
- Erfahrungsberichte in Erzählform
- Veraltete geologische Karten
- Geochemische Daten zu Bohrlochproben
- Luftgestützte magnetische und elektromagnetische Vermessungsdaten
- Lidar-Lesungen
- Satellitenbilder aus vielen Jahrzehnten der Erforschung
Sobald die Informationen zusammengestellt sind, untersucht KoBold die Daten mithilfe von maschinellem Lernen, beispielsweise um ein Modell zu erstellen, das vorhersagen könnte, welche Teile von Erzlagerstätten die höchsten Kobaltkonzentrationen aufweisen könnten. Es ist auch möglich, dass Daten während der Erfassung zu Modellen hinzugefügt werden, was adaptive Änderungen der Explorationsstrategie in Echtzeit ermöglicht.
KoBold arbeitet mit dem Stanford Center for Earth Resources Forecasting zusammen, das dem Mix eine zusätzliche Analyseebene in Form eines KI-„Entscheidungsagenten“ hinzufügt, der einen gesamten Explorationsplan abbilden kann. In gewisser Weise kann dies die Unsicherheit in den Modellergebnissen von KoBold quantifizieren und einen Datenerfassungsplan entwerfen, der zur Verringerung dieser Unsicherheit führen kann10. Wenn das Ziel auf diese Weise festgelegt wird, könnte es Wissenschaftler und Forscher dazu anleiten, die Arten von Daten und Informationen zu sammeln, die zu den größten Auswirkungen auf das Ergebnis führen könnten – das Auffinden von Erzvorkommen – und von Aktivitäten ablenken, die weniger wirkungsvoll sein könnten
Fazit: Ein weiterer Fall von möglicherweise genaueren Vorhersagen
KI nutzt im Kern die verfügbaren Daten, um Benutzern die Möglichkeit zu genaueren Vorhersagen zu geben. Es gibt keine Garantie dafür, dass KI sofort den Bergbau revolutioniert oder plötzlich alle Mineralien in der Erdkruste findet und katalogisiert. In anderen Bereichen gibt es jedoch keine Garantie dafür, dass KI sofort wirksame neue Medikamente findet oder Fahrzeuge autonom steuern kann. Kurzfristig sind dies neue Ansätze, bei denen Forscher und Praktiker viel lernen werden, was zu möglichen Durchbrüchen von KI-Techniken führen könnte, die zusammen mit menschlichen Experten eingesetzt werden.
Quelle
1 Quelle: „The Role of Critical Minerals in Clean Energy Transitions.“ International Energy Agency. Mai 2021.
2 Quelle: Descharnais, Guy. „The Power and Pitfalls of Predictive Algorithms.“ CIM Magazine. 15 Februar 2018.
3 Quelle: Descharnais 2018.
4 Quelle: Rosen, Jonathan W. „Electric Cars are Powered by Rare Metals. Can AI Help Find Them?“ KoBold Metals. 3 Dezember 2021.
5 Quelle: Hoyle, Rhiannon. „KoBold Metals Raises $192.5 Million to Use AI to Find Battery Minerals.“ Wall Street Journal, 10. Februar 2022
6 Quelle: Stone, Maddie. „The Big Tech Question to Find the Metals Needed for the Energy Overhaul.“ MIT Technology Review. 11. August 2022.
7 Quelle: Stone 2021.
8 Quelle: Stone 2021.
9 Quelle: Stone 2021.
10 Quelle: Stone 2021.