Skalierbare Mineralanalyse mittels Künstlicher Intelligenz - Charakterisierung von Vulkangestein für die Diffusions-Chronometrie (LS-MAIner)

• Antragstellerinnen / Antragsteller: Renat Almeev, Ph.D.; Professorin Dr.-Ing. Monika Sester
• Fachliche Zuordnung: Mineralogie, Petrologie und Geochemie ; Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 405665352

Die Anwendung der Diffusions-Chronometrie auf vulkanische Gesteine erfordert eine schnelle und zuverlässige Identifizierung und Charakterisierung von Mineralpopulationen, die für verschiedene magmatische Umgebungen repräsentativ sind. Dies bedingt eine statistische Behandlung von hochauflösenden chemischen Elementverteilungen einer großen Anzahl von Kristallen, die in einem Gesteinsdünnschliff vorhanden sein können. Diese zeitaufwändige und teure analytische Arbeit kann durch die Anwendung von Techniken der künstlichen Intelligenz (KI) und von Deep-Learning-Modellen (DL) unterstützt werden. In diesem Antrag werden KI- und DL-Methoden entwickelt, die den Automatisierungsgrad für die petrologische Untersuchung von zonierten Kristallen deutlich erhöhen. Es wird ein interaktiver Echtzeit-Workflow implementiert, indem Daten aus der Rückstreuelektronenmikroskopie (BSE) verwendet werden, ergänzt durch Daten aus energie- (EDS) und wellenlängendispersiven Spektrometern (WDS). Prozessschritte sind: 1. Datenerfassung (z. B. BSE) und Vorverarbeitung; 2. Segmentierung und Vektorisierung, um die Phasen (z. B. Olivin, Pyroxen) und ihre Texturmerkmale zu identifizieren; 3. 2D-Modelierung der Zusammensetzungen und Clustering der Kristalle basierend auf ihren chemischen Besonderheiten (z. B. umgekehrte, normale Zonierung); und 4. Erstellung von Systemdiagrammen zur Identifizierung der verschiedenen, repräsentativen magmatischen Umgebungen. Statistisch relevante Informationen erfordern eine sehr große Anzahl von Kristallen, was wiederum einen hohen Grad an Automatisierung in der Verarbeitung bedingt. Um die Generalisierbarkeit zu erhöhen und einen explorativen Analyseprozess zu ermöglichen, umfasst der Pipeline-Entwicklungsprozess manuelle Eingriffe (z. B. Daten-Labelling, Validierung sowie Entscheidungen). Der Hauptteil der Arbeit liegt in der Entwicklung des DL-basierten Interpretationsschemas. Es besteht aus mehreren Teilen, u.a. Optimierung der zugrundeliegenden Daten unter Verwendung generativer und sog. Foundation Modelle sowie Interpretation und Charakterisierung der Kristalle unter Verwendung semantischer Segmentierung. Dieser überwachte Schritt erfordert die Verfügbarkeit von Trainingsdaten. Die größten Herausforderungen liegen in 1) der Variabilität der Daten und der großen Datenmenge, 2) dem Abwägen zwischen Aufwand für die Datenerfassung und -verarbeitung und gewünschter Qualität des Ergebnisses und 3) dem geschickten Einsatz menschlicher Interaktion bei größtmöglicher Effizienz. Der interaktive Arbeitsablauf ermöglicht es dem Petrologen, seine Expertise selektiv einzubringen, aber seine Arbeit wird durch Automatisierung massiv unterstützt. Dadurch können viel mehr vulkanische Systeme zu wesentlich niedrigeren Kosten und mit allgemein zugänglichen Datensätzen (primär mit BSE) untersucht werden. Die extrem schnelle Verarbeitung wird ermöglichen, Diffusions-Chronometrie und das petrologische Monitoring von Vulkanausbrüchen in Echtzeit durchzuführen.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 2881: Diffusions-Chronometrie von magmatischen Systemen
• Mitverantwortliche: Professor Sumit Chakraborty, Ph.D.; Professor Dr. Francois Holtz