암석학에서의 기계 학습: 최첨단 및 미래 전망

초록 이 논문은 암석학에서의 기계 학습(ML)의 최첨단 및 미래 전망에 대해 보고합니다. 이를 달성하기 위해, 먼저 정의, 핵심 개념 및 응용을 포함한 ML의 기초를 소개합니다. 그 다음 암석학에서의 ML의 최첨단을 검토하기 시작합니다. 확립된 응용 프로그램은 주로 데이터 기반 발견과 관련이 있으며, 클러스터링, 차원 축소, 분류 및 회귀와 같은 특정 작업을 포함합니다. 이 중 클러스터링과 차원 축소는 화성암 및 변성상에 저장된 화학 기록을 해독하는 데 유용하고, 데이터 시각화를 향상시키는 것으로 입증되었습니다. 분류 및 회귀 작업은 각각 석유 지질학적 구분 및 지열-압력계에서 응용 프로그램을 찾습니다. 원고의 주요 핵심은 암석학 조사에서 ML의 새로운 경향과 미래 방향을 묘사하는 것입니다. ML 방법이 점진적으로 기존 암석학 방법과 통합되어 시간 소모적이고 반복적인 작업을 자동화하고, 현재 모델을 개선하며, 발견을 촉진하는 미래 시나리오를 제안합니다. 이 틀에서 유망한 응용 프로그램에는 (1) 새로운 다중 모드 암석학 데이터 수집; (2) 데이터 융합 기술, 물리학 기반 ML 모델 및 ML 지원 수치 시뮬레이션 개발; (3) 암석학에서 ML 잠재력을 지속적으로 탐구하는 것이 포함됩니다. 암석학에서 ML의 기여를 촉진하기 위한 우리의 주요 도전 과제는 다음과 같습니다: (1) ML 모델이 암석학적 과정의 복잡성을 포착하는 능력을 향상시키고, (2) 조사된 문제의 물리적 및 열역학적 특성과 ML 알고리즘을 점진적으로 연결하며, (3) 연구 및 교육 모두에서 서로 다른 분야의 연구자들 간의 협력 노력을 시작해야 합니다.