Пермские учёные сократили вдвое потребность нейросети в памяти при поиске золота

Учёные Пермского национального исследовательского политехнического университета (ПНИПУ) разработали метод обработки геологических данных, который позволил вдвое сократить объём памяти, необходимой для работы нейросетевой модели прогнозирования золотоносности. По данным университета, время обучения модели уменьшилось на треть, при этом точность прогноза при проверке на данных золоторудного комплекса Агбау в Кот-д’Ивуаре составила 88%.

Новый подход основан на преобразовании геологических характеристик в числовые значения с учётом их связи с различными классами перспективности участков. Алгоритм анализирует не только частоту встречаемости определённого признака в рудоносных зонах, но и его отсутствие, после чего оценивает статистическую значимость полученных результатов.

Такой способ обработки данных позволил сократить количество входных признаков нейросети с 13 до шести. По сообщению разработчиков, благодаря этому уменьшились вычислительные затраты на обучение модели без существенного снижения точности прогнозирования.

Метод проверили на геологических данных золоторудного комплекса Агбау. Модель предназначена для классификации участков по степени перспективности, включая высокую, среднюю и низкую. Программная реализация выполнена на языке Python.

Ранее специалисты ПНИПУ уже представляли нейросетевую разработку для прогнозирования золотоносных участков с использованием геологических и геофизических данных. О ней «Золото и технологии» сообщало в августе 2025 года. Новое исследование посвящено сокращению объёма входной информации и вычислительных ресурсов, необходимых для анализа.

Предложенный метод может применяться при предварительной оценке перспективности территорий и подготовке прогнозных карт. Сведения о его испытаниях на других месторождениях, внедрении в производственную геологоразведку и подтверждённом снижении затрат на бурение не приводятся.