Il potenziale contributo dell'lA alla ricerca dei metalli sempre più richiesti da tutto il mondo
Sapete che1:
- Un'auto elettrica "standard" richiede una quantità di minerali sei volte maggiore rispetto a un'auto tradizionale?
- Un tipico impianto eolico onshore richiede una quantità di risorse minerali nove volte maggiore rispetto a una centrale a gas?
- Dal 2010 la quantità media di minerali necessari per una nuova unità di capacità di produzione di energia è aumentata del 50% a seguito dell'incremento della quota di energie rinnovabili?
- È possibile che, entro il 2040, la domanda di litio cresca di circa 40 volte, mentre quella di grafene, cobalto e nichel potrebbe incrementarsi di 20-25 volte.
Ci troviamo quindi di fronte a un innegabile bisogno di 1) più risorse naturali e 2) mezzi efficienti che ne consentano un utilizzo più efficace.
Da sempre WisdomTree rivolge la propria attenzione ai mercati delle materie prime e alle diverse tendenze tematiche. Dall'incontro di questi diversi tipi di iniziative emergono alcuni dei concetti più interessanti.
E' evidente che:
1. Oggi più che mai il mondo è concentrato sulla riduzione delle emissioni di carbonio e questo obiettivo potrebbe tradursi in determinate azioni, quali l'incremento massiccio della domanda di veicoli elettrici.
2. La crescita massiccia della domanda di veicoli elettrici comporta una crescita altrettanto massiccia della domanda di batterie che, a loro volta, necessitano di un volume elevato di materie prime.
3. Se la società, nel suo complesso, intende trovare più materie prime, occorreranno nuove tecniche, proprio come nel caso della trivellazione orizzontale all'interno dello scisto che si è resa necessaria per reperire più combustibili fossili. Qual tecnica altrettanto nuova può essere utilizzata per trovare più cobalto, nichel o litio, per esempio?
Attività estrattive più efficaci grazie a un maggior volume di dati
I geologi operanti nell'esplorazione dispongono di una capacità limitata di sintetizzare i dati esaurienti forniti dalla nuova generazione di strumenti di esplorazione, tra cui figurano la geofisica, l'imaging iperspettrale, la geochimica e la minerologia. E' possibile sfruttare tecniche di apprendimento automatico opportunamente calibrate per identificare i modelli che forniscono le migliori possibilità di reperire determinati tipi di minerali, quali il litio, il rame, il nichel o qualsiasi altro elemento ricercato. Sono infatti possibili maggiori efficienze se un determinato sito viene pensato come una serie di blocchi di terra i cui dati possono essere tracciati dal modello informatico2.
Oggi queste tecniche richiedono un elevato grado di supervisione in quanto, quando si elaborano le immagini satellitari, gli algoritmi possono identificare determinati modelli in laghi, campi da golf o impianti di trattamento delle acque reflue come grandi potenziali siti di prospezione3. In Zambia è già stato sviluppato uno strumento che si rivelato utile per la gestione delle rocce mafiche che, agli occhi inesperti, potrebbero erroneamente indicare la presenza di depositi di rame. I vantaggi offerti da algoritmi adeguatamente istruiti possono identificare queste false segnalazioni4.
KoBold Metals—importante azienda che tenta di ribaltare la ricerca di minerali importanti
KoBold Metals è una startup promossa da Bill Gates attraverso Breakthrough Energy Ventures. L'azienda intende sfruttare l'intelligenza artificiale per reperire i metalli necessari per far fronte al boom dei veicoli elettrici. In un recente ciclo di finanziamento, KoBold è stata in grado di raccogliere 192,5 milioni di dollari5.
Una tecnica di raccolta dati si basa su una bobina di rame larga 115 piedi appesa a un elicottero che invia onde elettromagnetiche alla terra facendo penetrare le correnti in profondità. I minerali hanno diverse proprietà elettromagnetiche e i segnali che riflettono contengono informazioni preziosi sui minerali in luoghi diversi. La possibilità di depositi di nichel o cobalto presenterà determinate caratteristiche associate a quanto verrebbe identificato dal rilevatore. In una buona giornata questa tecnica potrebbe arrivare a coprire più di 100 miglia. Anche se è difficile che una singola tecnica offra tutte le risposte, la capacità di 1) raccogliere più dati in modo più efficiente e 2) sovrapporre diversi tipi di dati per una miglior comprensione dei depositi regionali potrebbe rivelarsi comunque utile6.
Secondo i minatori, per soddisfare il fabbisogno di energia verde del futuro, i nuovi depositi dovranno essere ricercati molto più in profondità nella crosta terrestre. È possibile che negli strati superiori della crosta esistano alcuni modelli in grado di segnalare la potenziale presenza di determinati minerali negli strati inferiori.
Il settore minerario va ribaltato
Prima che le nuove miniere diventino operative, dopo che le varie società hanno ricevuto i relativi diritti e permessi, possono trascorrere anche più di dieci anni. Anche l'identificazione del miglior sito da esplorare può richiedere un periodo di tempo significativo. La maggior parte dei depositi di alto grado facilmente identificabili sono già stati trovati e gli investimenti nell'esplorazione sono diminuiti. Secondo una regola empirica approssimativa, per ogni 100 siti considerati, uno di essi sarà un deposito redditizio. In realtà, è possibile che negli ultimi anni la cifra reale sia più vicina a uno su mille7.
Per KoBold i tassi di scoperta possano aumentare di un fattore pari a circa 20 e, inoltre, esiste un vantaggio laddove vi sono meno buchi non redditizi da scavare8.
Molte della attività iniziali si sono svolte in Canada. Il Canada vanta una grande quantità di dati d'indagine di dominio pubblico, quali9:
- Relazioni descrittive sul campo
- Mappe geologiche consolidate nel tempo
- Dati geochimici su campioni di perforazione
- Dati d'indagine a livello magnetico ed elettromagnetico aviotrasportato
- Letture lidar
- Immagini satellitari relative a molti decenni di esplorazione
Una volta compilate le informazioni, KoBold esplora i dati utilizzando l'apprendimento automatico, per esempio elaborando un modello che potrebbe prevedere quali parti dei depositi di minerali potrebbero presentare le più alte concentrazioni di cobalto. Inoltre, è possibile aggiungere dati ai modelli man mano che vengono raccolti, permettendo cambiamenti adattivi alla strategia di esplorazione in tempo reale.
KoBold collabora con il Center for Earth Resources Forecasting di Stanford, che contribuisce al mix con un ulteriore livello di analisi agendo da "agente decisionale" IA in grado di mappare un intero piano di esplorazione. In un certo senso, ciò consente di quantificare l'incertezza nei risultati del modello KoBold e definire un piano di raccolta dei dati tale da ridurre questa incertezza10. Impostando l'obiettivo in questo modo gli scienziati e i ricercatori potrebbero raccogliere i tipi di dati e informazioni che potrebbero avere un maggiore impatto sul risultato - l'identificazione di depositi di minerali - eliminando quelle attività che potrebbero essere meno efficaci.
Conclusione: Un altro caso di previsioni possibilmente più accurate
L'IA, nella sua essenza, sfrutta i dati disponibili per offrire agli utenti la possibilità di previsioni più accurate. Non è possibile garantire che l'IA rivoluzionerà nell'immediato l'estrazione mineraria né che troverà e catalogherà improvvisamente tutti i minerali presenti nella crosta terrestre. Tuttavia, anche in altri campi, non vi è alcuna garanzia che l'IA possa scoprire immediatamente nuovi farmaci efficaci né che sia in grado di guidare autonomamente i veicoli. Nel breve termine siamo di fronte a nuovi approcci da cui i ricercatori e i professionisti trarranno molti insegnamenti che potrebbero portare a possibili scoperte di tecniche di IA utilizzate insieme agli esperti umani.
Fonti
1 Fonte: “The Role of Critical Minerals in Clean Energy Transitions.” Agenzia internazionale per l'energia. Maggio 2021.
2 Fonte: Descharnais, Guy. “The Power and Pitfalls of Predictive Algorithms.” CIM Magazine. 15 febbraio 2018.
3 Fonte: Descharnais 2018.
4 Fonte: Rosen, Jonathan W. “Electric Cars are Powered by Rare Metals. Can AI Help Find Them?” KoBold Metals. 3 dicembre 2021.
5 Fonte: Hoyle, Rhiannon. “KoBold Metals Raises $192.5 Million to Use AI to Find Battery Minerals.” Wall Street Journal, 10 febbraio 2022.
6 Fonte: Stone, Maddie. “The Big Tech Question to Find the Metals Needed for the Energy Overhaul.” MIT Technology Review. 11 agosto 2022.
7 Fonte: Stone 2021.
8 Fonte: Stone 2021.
9 Fonte: Stone 2021.
10 Fonte: Stone 2021.