面向矿产资源评价预测的生成式先验转换模型(MineralGPT):以崤山-熊耳山地区金多金属矿找矿靶区优选为例

摘要

矿产资源是经济社会发展的重要物质基础。开展矿产资源评价与预测，能为矿产资源的勘查、开发与保护提供科学依据。然而，基于传统人工分析的找矿方法存在主观性强、具有局限性且成本高等问题，而基于计算机的综合评价方法则常面临数据利用不充分、模型固定及文本资料利用率低等挑战。为此，本研究将专家知识与人工分析经验转化为先验规则，以文本分析为基础，引入自然语言处理方法并结合计算机技术，提出了一种新的矿产资源评价预测模型——生成式先验转换模型(MineralGPT)。该模型框架以先验知识的描述、存储、解析为核心驱动，支撑包括数据处理与分析、成矿信息提取与找矿预测、内容生成与优化在内的多类型算法任务。以崤山-熊耳山地区金多金属矿找矿靶区优选为例，在MineralGPT框架下构建基于词项加权的矿集区找矿靶区优选模型。实验结果表明：在少量数据支持下，MineralGPT的预测结果几乎与专家评价一致。相较于ChatGPT等依赖庞大数据与算力的大型语言模型，MineralGPT具有低成本、受限少、可定制性高等优势。通过将先验知识进行规则化描述、存储与解析，MineralGPT不仅为矿产资源评价提供了新方法，亦为融合规则与学习的新一代人工智能技术发展提供了新思路。

关键词

矿产资源评价预测 / 生成式先验转换模型 / 词项权重计算 / 词项关联分析 / 找矿靶区优选