ellibsЭлектронные библиотекиRussian Digital Libraries Journal1562-5419Казанский (Приволжский) федеральный университет10.26907/1562-5419-2023-26-5-673-696ellibs-394Research ArticleСтатьиМетоды искусственного интеллекта для научных исследований в геологииArtificial Intelligence Methods for Scientific Research in GeologyПатукМ. И.PatukM. I.patuk@mail.ruНаумоваВ. В.NaumovaV. V.naumova_new@mail.ruГосударственный геологический музей им. В.И. Вернадского РАНVernadsky State Geological Museum RAS202328102023265673696Copyright © Патук М.И., Наумова В.В., 20232023Патук М.И., Наумова В.В.Patuk M.I., Naumova V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ellibs.elpub.ru/jour/article/view/394

Приведен краткий обзор некоторых методов искусственного интеллекта в области наук о Земле. Отмечены перспективы применения указанных методов для получения новых знаний. Приведены результаты первых попыток авторов в применении методов обработки естественного языка для обработки научных статей по геологии. Обсуждены возможности развития работ в этом направлении.

A brief overview of some methods of artificial intelligence in the field of Earth sciences is given. The prospects of using these methods to obtain new knowledge are noted. The results of the authors' first attempts to apply natural language processing methods for processing scientific articles on geology are presented. The possibilities of developing work in this direction are discussed.

Искусственный интеллектмашинное обучениеобработка естественного языкагеологияArtificial intelligencemachine learningnatural language processinggeologyReferencesКате А. Машинное обучение и искусственный интеллект в геологии // Золотодобыча, №257, Апрель, 2020, пер.Кате А. Машинное обучение и искусственный интеллект в геологии // Золотодобыча, №257, Апрель, 2020, пер.Kaplmеan A., Haenlein M. Siri, Siri in my Hand, who’s the Fairest in the Land? On the Interpretations, Illustrations and Implications of Artificial Intelligence // Business Horizons. 2019. V. 62, No. 1. P. 15–25.Kaplmеan A., Haenlein M. Siri, Siri in my Hand, who’s the Fairest in the Land? On the Interpretations, Illustrations and Implications of Artificial Intelligence // Business Horizons. 2019. V. 62, No. 1. P. 15–25.PROSPECTOR // URL: http://www.computing.surrey.ac.uk/ai/PROFILE /prospector.html (дата обращения 18.09.2023)PROSPECTOR // URL: http://www.computing.surrey.ac.uk/ai/PROFILE /prospector.html (дата обращения 18.09.2023)ESRI // URL: https://www.esri.com/en-us/home (дата обращения 18.09.2023)ESRI // URL: https://www.esri.com/en-us/home (дата обращения 18.09.2023)USGS // URL: https://www.usgs.gov/ (дата обращения 18.09.2023)USGS // URL: https://www.usgs.gov/ (дата обращения 18.09.2023)Родионов С.М., Сыркин В.К. Экспертная прогнозирующая система «Олово» // Тихоокеанская геология. 1995. Т. 14, №5. С. 63–71. URL: http://itig.as.khb.ru/POG/archive/1995/N5_1995.pdfРодионов С.М., Сыркин В.К. Экспертная прогнозирующая система «Олово» // Тихоокеанская геология. 1995. Т. 14, №5. С. 63–71. URL: http://itig.as.khb.ru/POG/archive/1995/N5_1995.pdfSOLSA Expert System // URL: https://solsa-dem-up.eu/en (дата обращения 17.09.2023)SOLSA Expert System // URL: https://solsa-dem-up.eu/en (дата обращения 17.09.2023)GoldSpot // URL: https://www.alsglobal.com/en/consulting-and-analytics (дата обращения 18.09.2023)GoldSpot // URL: https://www.alsglobal.com/en/consulting-and-analytics (дата обращения 18.09.2023)SRK Consulting // URL: https://www.srk.com/ru/ (дата обращения 18.09.2023)SRK Consulting // URL: https://www.srk.com/ru/ (дата обращения 18.09.2023)Maptek // URL: https://www.maptek.com/ (дата обращения 18.09.2023)Maptek // URL: https://www.maptek.com/ (дата обращения 18.09.2023)IOS Services Geoscientifiques // URL: https://www.iosgeo.com/en/ (дата обращения 18.09.2023)IOS Services Geoscientifiques // URL: https://www.iosgeo.com/en/ (дата обращения 18.09.2023)Orefox // URL: https://orefox.com/ (дата обращения 18.09.2023)Orefox // URL: https://orefox.com/ (дата обращения 18.09.2023)Geolearn // URL: https://www.geolearn.ai/ (дата обращения 18.09.2023)Geolearn // URL: https://www.geolearn.ai/ (дата обращения 18.09.2023)Datarock // URL: https://datarock.com.au/platform/ (дата обращения 18.09.2023)Datarock // URL: https://datarock.com.au/platform/ (дата обращения 18.09.2023)Baraboshkin E.E., Ismailova L.S., Orlov D.M., Zhukovskaya E.A., Kalmykov G.A., Khotylev O.V., Baraboshkin E.Yu., Koroteev D.A. Deep Convolutions for In-Depth Automated Rock Typing // Computers & Geosciences. 2020. V. 135. https://doi.org/10.1016/j.cageo.2019.104330Baraboshkin E.E., Ismailova L.S., Orlov D.M., Zhukovskaya E.A., Kalmykov G.A., Khotylev O.V., Baraboshkin E.Yu., Koroteev D.A. Deep Convolutions for In-Depth Automated Rock Typing // Computers & Geosciences. 2020. V. 135. https://doi.org/10.1016/j.cageo.2019.104330Nesteruk S., Agafonova J., Pavlov I., Gerasimov M., Latyshev N., Dimitrov D., Kuznetsov A., Kadurin A., Plechov P. MineralImage5k: A benchmark for zero-shot raw mineral visual recognition and description // Computers & Geosciences. 2023. V. 178. https://doi.org/10.1016/j.cageo.2019.104330Nesteruk S., Agafonova J., Pavlov I., Gerasimov M., Latyshev N., Dimitrov D., Kuznetsov A., Kadurin A., Plechov P. MineralImage5k: A benchmark for zero-shot raw mineral visual recognition and description // Computers & Geosciences. 2023. V. 178. https://doi.org/10.1016/j.cageo.2019.104330Обработка естественного языка // URL: https://ru.wikipedia.org/wiki/Обработка_естественного_языка (дата обращения 18.09.2023)Обработка естественного языка // URL: https://ru.wikipedia.org/wiki/Обработка_естественного_языка (дата обращения 18.09.2023)Jurafsky D., Martin J.H. N-gram Language Models // Speech and Language Processing 3rd. 2021.Jurafsky D., Martin J.H. N-gram Language Models // Speech and Language Processing 3rd. 2021.Deng C., Zhang T., He Z., Chen Q., Shi Y., Zhou L., Fu L., Zhang W., Wang X., Zhou C., Lin Z., He J. Learning Foundation Language Models for Geoscience Knowledge Understanding and Utilization // arXiv:2306.05064, 2023. URL: https://arxiv.org/abs/2306.05064v1Deng C., Zhang T., He Z., Chen Q., Shi Y., Zhou L., Fu L., Zhang W., Wang X., Zhou C., Lin Z., He J. Learning Foundation Language Models for Geoscience Knowledge Understanding and Utilization // arXiv:2306.05064, 2023. URL: https://arxiv.org/abs/2306.05064v1K2 model // URL: https://github.com/davendw49/k2?ysclid=lmswxywt6i750905070 (дата обращения 18.09.2023)K2 model // URL: https://github.com/davendw49/k2?ysclid=lmswxywt6i750905070 (дата обращения 18.09.2023)Lawley C.J.M., Raimondo S., Chen T., Brin L., Zakharov A., Kur D., Hui J., Newton G., Burgoyne S.L., Marquis G. Geoscience language models and their intrinsic evaluation // Applied Computing and Geosciences. 2022. V. 14, 100084. P. 1–10.Lawley C.J.M., Raimondo S., Chen T., Brin L., Zakharov A., Kur D., Hui J., Newton G., Burgoyne S.L., Marquis G. Geoscience language models and their intrinsic evaluation // Applied Computing and Geosciences. 2022. V. 14, 100084. P. 1–10.Wang B., Ma K., Wu L., Qiu Q., Xie Z., Tao L. Visual analytics and information extraction of geological content for text-based mineral exploration reports // Ore Geology Reviews. 2022. V. 144, 104818. P. 1–12.Wang B., Ma K., Wu L., Qiu Q., Xie Z., Tao L. Visual analytics and information extraction of geological content for text-based mineral exploration reports // Ore Geology Reviews. 2022. V. 144, 104818. P. 1–12.Padarian J., Fuentes I. Word embeddings for application in geosciences: development, evaluation, and examples of soil-related concepts // SOIL. 2019. V. 5. P. 177–187.Padarian J., Fuentes I. Word embeddings for application in geosciences: development, evaluation, and examples of soil-related concepts // SOIL. 2019. V. 5. P. 177–187.Lawley C.J.M., Gadd M.G., Parsa M., Lederer G.W., Graham G.E., Ford A. Applications of Natural Language Processing to Geoscience Text Data and Prospectivity Modeling // Natural Resources Research. 2023. V. 32, No. 4. P. 1503–1527.Lawley C.J.M., Gadd M.G., Parsa M., Lederer G.W., Graham G.E., Ford A. Applications of Natural Language Processing to Geoscience Text Data and Prospectivity Modeling // Natural Resources Research. 2023. V. 32, No. 4. P. 1503–1527.Fuentes I., Padarian J., Iwanaga T., Vervoort R.W. 3D lithological mapping of borehole descriptions using word embeddings // Computers & Geosciences. 2020. V. 141, 104516.Fuentes I., Padarian J., Iwanaga T., Vervoort R.W. 3D lithological mapping of borehole descriptions using word embeddings // Computers & Geosciences. 2020. V. 141, 104516.Qiu Qinjun, Xie Zhong, Wu Liang, Li Wenjia. Geoscience keyphrase extraction algorithm using enhanced word embedding // Expert Systems with Applications. 2019. V. 125. P. 157–169.Qiu Qinjun, Xie Zhong, Wu Liang, Li Wenjia. Geoscience keyphrase extraction algorithm using enhanced word embedding // Expert Systems with Applications. 2019. V. 125. P. 157–169.Патук М.И., Наумова В.В., Ерёменко В.С. Цифровой репозиторий "geologyscience.ru": открытый доступ к научным публикациям по геологии России. // Электронные библиотеки. 2020. Т. 23, № 6. С. 1324–1338. https://doi.org/10.26907/1562-5419-2020-23-6-1324-1338Патук М.И., Наумова В.В., Ерёменко В.С. Цифровой репозиторий "geologyscience.ru": открытый доступ к научным публикациям по геологии России. // Электронные библиотеки. 2020. Т. 23, № 6. С. 1324–1338. https://doi.org/10.26907/1562-5419-2020-23-6-1324-1338Патук М.И., Наумова В.В. Построение цифровой системы управления геологическими знаниями для поддержки научных исследований. // Электронные библиотеки. 2022. Т. 25, № 2. С. 148–158. https://doi.org/10.26907/1562-5419-2022-25-2-148-158Патук М.И., Наумова В.В. Построение цифровой системы управления геологическими знаниями для поддержки научных исследований. // Электронные библиотеки. 2022. Т. 25, № 2. С. 148–158. https://doi.org/10.26907/1562-5419-2022-25-2-148-158Bourke D. 08. Natural Language Processing with TensorFlow. URL: https://dev.mrdbourke.com/tensorflow-deep-learning/08_introduction_to_nlp_in_tensorflow/ (дата обращения 18.09.2023)Bourke D. 08. Natural Language Processing with TensorFlow. URL: https://dev.mrdbourke.com/tensorflow-deep-learning/08_introduction_to_nlp_in_tensorflow/ (дата обращения 18.09.2023)mrdbourke / tensorflow-deep-learning. URL: https://github.com/mrdbourke/tensorflow-deep-learning (дата обращения 18.09.2023)mrdbourke / tensorflow-deep-learning. URL: https://github.com/mrdbourke/tensorflow-deep-learning (дата обращения 18.09.2023)Pdfreader 0.1.12. URL: https://pypi.org/project/pdfreader/ (дата обращения 18.09.2023)Pdfreader 0.1.12. URL: https://pypi.org/project/pdfreader/ (дата обращения 18.09.2023)spaCy URL: https://spacy.io/models/ru (дата обращения 18.09.2023)spaCy URL: https://spacy.io/models/ru (дата обращения 18.09.2023)Spacy-stanza. URL: https://spacy.io/universe/project/spacy-stanza (дата обращения 18.09.2023)Spacy-stanza. URL: https://spacy.io/universe/project/spacy-stanza (дата обращения 18.09.2023)SberDevice. Как мы анализируем предпочтения пользователей виртуальных ассистентов Салют. URL: https://habr.com/ru/companies/ sberdevices/articles/547568/ (дата обращения 18.09.2023)SberDevice. Как мы анализируем предпочтения пользователей виртуальных ассистентов Салют. URL: https://habr.com/ru/companies/ sberdevices/articles/547568/ (дата обращения 18.09.2023)Zero-shot learning. URL: https://en.wikipedia.org/wiki/Zero-shot_learning (дата обращения 18.09.2023)Zero-shot learning. URL: https://en.wikipedia.org/wiki/Zero-shot_learning (дата обращения 18.09.2023)Ванюшкин А.С., Гращенко Л.А. Методы и алгоритмы извлечения ключевых слов // Новые информационные технологии в автоматизированных системах. 2016. С. 85–93.Ванюшкин А.С., Гращенко Л.А. Методы и алгоритмы извлечения ключевых слов // Новые информационные технологии в автоматизированных системах. 2016. С. 85–93.Pay T., Lucci F., Cox J.L. An Ensemble of Automatic Keyword Extractors: TextRank, RAKE and TAKE // Computación y Sistemas. 2019. V. 23, No. 3. P. 703–710.Pay T., Lucci F., Cox J.L. An Ensemble of Automatic Keyword Extractors: TextRank, RAKE and TAKE // Computación y Sistemas. 2019. V. 23, No. 3. P. 703–710.https://doi.org/10.13053/CyS-23-3-3234https://doi.org/10.13053/CyS-23-3-3234Дале Д. Многозадачная модель T5 для русского языка. URL: https://habr.com/ru/articles/581932/ (дата обращения 18.09.2023)Дале Д. Многозадачная модель T5 для русского языка. URL: https://habr.com/ru/articles/581932/ (дата обращения 18.09.2023)Данил, keyT5 или генерация ключевых слов из текста. URL: https://habr.com/ru/articles/599715/ (дата обращения 18.09.2023)Данил, keyT5 или генерация ключевых слов из текста. URL: https://habr.com/ru/articles/599715/ (дата обращения 18.09.2023)Yandex DataSphere. URL: https://datasphere.yandex.ru/?yc-skip-auth=1 (дата обращения 18.09.2023)Yandex DataSphere. URL: https://datasphere.yandex.ru/?yc-skip-auth=1 (дата обращения 18.09.2023)

The authors declare that there are no conflicts of interest present.