L'industrie mondiale de l'exploration minérale est confrontée depuis longtemps à un problème fondamental : comment identifier les gisements à fort potentiel dans de vastes zones inexplorées avec un coût minimal et une efficacité maximale. Les méthodes traditionnelles, fondées sur l'expérience et l'analogie géologique, sont non seulement longues et coûteuses, mais aussi souvent vouées à l'échec après des investissements de forage de plusieurs dizaines, voire centaines de millions de dollars, en raison de leur forte subjectivité et de la difficulté à fusionner les données. Aujourd'hui, une équipe de recherche iranienne apporte une réponse révolutionnaire grâce à l'intelligence artificielle : en couvrant seulement 13 % de la superficie de la zone d'étude, elle a réussi à identifier presque toutes les cibles d'exploration à fort potentiel de la ceinture de cuivre porphyrique de Kerman, ouvrant ainsi une nouvelle voie vers une prise de décision intelligente fondée sur les données pour l'industrie minière mondiale.

De la « prospection empirique » au « verrouillage intelligent des gisements » : la révolution technologique de l'AI-MPM

Le 30 avril 2026, une équipe de recherche de l'Université de technologie Amirkabir (Université polytechnique de Téhéran) et de l'Université de Téhéran a publié des résultats novateurs dans la revue internationale de premier plan « Journal of Earth Science » (JCR Q1, publié par Springer Nature). Pour la première fois, une stratégie complète de cartographie de la prospectivité minérale par IA (AI-MPM, Artificial Intelligence Mineral Prospectivity Mapping) est systématiquement proposée. En prenant la ceinture de cuivre porphyrique de Kerman en Iran comme zone d'étude empirique, elle démontre la capacité disruptive de l'intelligence artificielle dans l'interprétation de données géologiques complexes et la délimitation de cibles à faible risque.

Une « combinaison » de trois algorithmes d'optimisation pour résoudre le problème des hyperparamètres des machines à vecteurs de support

La machine à vecteurs de support (SVM), l'un des algorithmes d'apprentissage supervisé les plus aboutis, voit ses performances fortement dépendre du choix des hyperparamètres (comme le paramètre de pénalité C et le paramètre du noyau γ). Trouver les hyperparamètres optimaux dans le contexte de données géologiques de haute dimension propres à l'exploration minérale revient à « chercher une aiguille dans une botte de foin ». L'équipe de recherche a appliqué pour la première fois de manière synergique trois algorithmes d'optimisation intelligente — l'optimisation par essaims particulaires (PSO, Particle Swarm Optimization), la recherche par grille (Grid Search) et l'algorithme génétique (GA, Genetic Algorithm) — à l'optimisation automatisée des hyperparamètres du modèle SVM. Grâce à une validation croisée multiple et à une évaluation rigoureuse des indicateurs de précision de classification, cette stratégie d'« optimisation hybride triple » a considérablement amélioré la précision de prédiction et la capacité de généralisation du modèle, définissant sur mesure les paramètres algorithmiques optimaux pour la délimitation des cibles de cuivre porphyrique.

Deuxième point fort : Quantification de l'incertitude au niveau du pixel, pour passer d'une « probabilité élevée d'exactitude » à un « verrouillage à faible risque »

La plus grande lacune des prévisions minérales traditionnelles par IA est que le modèle indique des zones à fort potentiel sans pouvoir renseigner l'entreprise d'exploration sur le degré de fiabilité de ce jugement. Cette étude a mis au point de manière pionnière une méthode de quantification de l'incertitude au niveau du pixel, calculant le niveau de confiance du résultat de prédiction pour chaque unité spatiale. Cela permet aux décideurs de l'exploration de distinguer avec précision les zones « à fort potentiel mais à haut risque » des cibles à faible risque « à fort potentiel et haute fiabilité ». Cette innovation n'est pas seulement une mise à niveau technique, c'est un saut capacitaire de la « prédiction probabiliste » vers la « quantification du risque » — faisant passer l'IA d'un « outil d'extrapolation assistée » à un « tableau de bord décisionnel pour l'exploration ».

Troisième point fort : 13 % de la superficie pour verrouiller tout le potentiel, une amélioration de l'efficacité d'exploration par ordre de grandeur

La ceinture de cuivre porphyrique de Kerman est l'une des ceintures métallogéniques de cuivre les plus réputées d'Iran et du monde, avec une zone d'exploration couvrant des milliers de kilomètres carrés. L'équipe de recherche a fusionné des données spatiales géoscientifiques multi-sources (géologiques, géochimiques, géophysiques) pour entraîner le modèle AI-MPM, aboutissant finalement à un résultat d'efficacité saisissant pour l'industrie : les cibles d'exploration de haute qualité et à faible risque ne représentent que 13 % de la superficie totale de la zone d'étude, tout en couvrant presque toutes les zones de gisements à fort potentiel de cette ceinture.

Cela signifie que sur une ceinture métallogénique de plusieurs milliers de kilomètres carrés, le modèle d'IA a permis de réduire de plus de cinq sixièmes la zone nécessitant une exploration détaillée sur le terrain pour les ingénieurs d'exploration. Pour une industrie où les budgets de forage se chiffrent souvent en dizaines de millions de dollars, cela se traduit par une baisse exponentielle des coûts d'exploration et une amélioration décisive du taux de succès.

De l'« effondrement des coûts d'exploration » à l'« intelligence minière mondiale »

1. Refonte du mode de décision : de l'« intuition géologique » au « pilotage par les données »

L'exploration minérale traditionnelle repose sur la cognition personnelle et l'accumulation d'expérience de géologues experts de haut niveau. Cette technologie applique pour la première fois de manière systématique la stratégie AI-MPM intégrant une triple optimisation hybride à l'exploration des gisements porphyriques, marquant le passage de l'exploration minérale d'un « pilotage par l'expert » à un « pilotage par l'algorithme ». Elle peut réduire considérablement les biais humains et l'incertitude de l'interprétation géologique, dotant les décisions d'exploration d'une base scientifique quantifiable et reproductible.

2. Baisse drastique des coûts d'exploration : une navigation précise verrouillant 1/6 de la superficie

La valeur commerciale la plus directe de cette technologie réside dans la compression massive des coûts d'exploration. Les principaux coûts de l'exploration minérale proviennent des levés de terrain et des vérifications par forage. L'AI-MPM réduit la zone d'exploration sur laquelle se concentrer à moins d'un sixième de celle des méthodes traditionnelles, ce qui implique une diminution proportionnelle de la taille des équipes de prospection, du volume de travail de forage et des frais d'analyse des échantillons géologiques. Dans un contexte mondial où les affleurements de minerai de qualité s'épuisent et où le coût de l'exploration des gisements profonds cachés augmente de façon exponentielle, cette capacité de délimitation intelligente des cibles deviendra une compétence clé pour les sociétés minières.

3. Transférabilité mondiale et valeur de généralisation du nouveau paradigme technologique

La stratégie AI-MPM validée par cette étude possède une très forte transférabilité. Elle est non seulement applicable à la ceinture de cuivre de Kerman en Iran, mais peut également être étendue à toute zone prospective de minéralisation dans le monde disposant de données géoscientifiques multi-sources. L'équipe de recherche indique que les travaux futurs intégreront davantage de sources de données et déploieront des techniques d'apprentissage automatique de pointe pour améliorer continuellement la précision des prédictions. Alors que la sécurité de l'approvisionnement mondial en minéraux critiques (cuivre, lithium, cobalt, terres rares) devient une préoccupation stratégique croissante pour les États, la technologie d'exploration pilotée par l'IA est en passe de remodeler la structure des coûts de toute la découverte et du développement miniers.

Équiper l'exploration minière profonde mondiale d'un « navigateur intelligent »

La valeur profonde de cette recherche réside dans le fait qu'elle indique à l'industrie minière mondiale une voie praticable pour passer d'un modèle à « forte intensité de main-d'œuvre » à un modèle à « forte intensité d'intelligence ». Alors que les gisements affleurants s'épuisent et que la prospection de gisements profonds cachés et en zones couvertes devient le champ de bataille principal, les méthodes traditionnelles de cartographie géologique, de géochimie des sols et de géophysique sont depuis longtemps dépassées face aux masses de données multi-sources. La stratégie AI-MPM, grâce au modèle SVM optimisé par trois algorithmes et combiné à la quantification de l'incertitude au niveau du pixel, réalise pour la première fois une boucle fermée intelligente complète — « fusion de données — décision du modèle — quantification du risque — verrouillage des cibles » — sur une ceinture métallogénique de plusieurs milliers de kilomètres carrés.

Pour les entreprises minières, cela signifie disposer d'un « prospecteur virtuel » à faible coût et haute précision avant même que la foreuse ne pénètre profondément dans le sous-sol ; pour l'ensemble de l'industrie minière, cela annonce l'avènement d'un changement de paradigme, passant du pilotage par l'expérience au pilotage par l'algorithme. Comme le souligne l'article, cette recherche pionnière ouvre la voie à l'utilisation des algorithmes d'intelligence artificielle les plus avancés pour explorer de nouvelles ressources minérales dans le secteur minier mondial.