La industria global de exploración mineral se enfrenta desde hace tiempo a un problema fundamental: cómo localizar yacimientos de alto potencial en vastas áreas inexploradas con el menor coste y la máxima eficiencia. Los métodos tradicionales, basados en la experiencia y la analogía geológica, no solo consumen mucho tiempo y recursos, sino que, debido a su alta subjetividad y la dificultad de integrar datos, a menudo llevan a las empresas exploradoras a realizar costosas perforaciones de decenas o incluso cientos de millones de dólares sin éxito. Ahora, un equipo de investigación iraní ha proporcionado una respuesta revolucionaria utilizando inteligencia artificial: cubriendo solo el 13% del área de estudio, lograron identificar con éxito casi todas las zonas objetivo de exploración de alto potencial en la franja de pórfidos de cobre de Kermán, abriendo un nuevo camino hacia la toma de decisiones inteligente basada en datos para la industria minera mundial.

De la "prospección empírica" al "bloqueo inteligente de yacimientos": la revolución tecnológica de AI-MPM

El 30 de abril de 2026, un equipo de investigación de la Universidad Tecnológica Amirkabir (Politécnica de Teherán) y la Universidad de Teherán publicó un resultado innovador en la prestigiosa revista internacional Journal of Earth Science (JCR Q1, publicada por Springer Nature). Por primera vez, se propuso sistemáticamente una estrategia completa de Cartografía de Prospectividad Mineral mediante IA (AI-MPM, por sus siglas en inglés), utilizando la franja de pórfidos de cobre de Kermán como área de estudio empírico para demostrar la capacidad disruptiva de la inteligencia artificial en la interpretación de datos geológicos complejos y la delimitación de zonas objetivo de bajo riesgo.

Una "combinación ganadora" de triple optimización algorítmica para resolver el problema de los hiperparámetros en Máquinas de Vectores de Soporte

La Máquina de Vectores de Soporte (SVM), uno de los algoritmos de aprendizaje supervisado más consolidados, tiene un rendimiento que depende en gran medida de la selección de sus hiperparámetros (como el parámetro de penalización C y el parámetro gamma del núcleo). Encontrar los hiperparámetros óptimos en escenarios de datos geológicos de alta dimensionalidad, como la exploración mineral, equivale a "buscar una aguja en un pajar". El equipo de investigación aplicó por primera vez de forma sinérgica tres algoritmos de optimización inteligente —Optimización por Enjambre de Partículas (PSO), Búsqueda en Cuadrícula (Grid Search) y Algoritmo Genético (GA)— para el ajuste automatizado de hiperparámetros del modelo SVM. Mediante una validación cruzada múltiple y una evaluación rigurosa de las métricas de precisión de clasificación, esta estrategia de "triple optimización híbrida" mejoró significativamente la precisión predictiva y la capacidad de generalización del modelo, personalizando los parámetros algorítmicos óptimos para la delimitación de objetivos de yacimientos de cobre tipo pórfido.

Segundo punto destacado: Cuantificación de la incertidumbre a nivel de píxel, del "altamente probable" al "bloqueo de bajo riesgo"

La mayor deficiencia de la predicción mineral tradicional con IA es que el modelo señala zonas de alto potencial, pero no puede informar a la empresa exploradora sobre el grado de fiabilidad de esa predicción. Este estudio desarrolló de manera innovadora un método de cuantificación de la incertidumbre a nivel de píxel, calculando el nivel de confianza de los resultados de predicción en cada unidad espacial. Esto permite a los responsables de la toma de decisiones en exploración distinguir con precisión entre zonas de "alto potencial pero alto riesgo" y zonas objetivo de bajo riesgo con "alto potencial y alta fiabilidad". Esta innovación no es solo una mejora técnica, sino un salto cualitativo de la "predicción probabilística" a la "cuantificación del riesgo", elevando la IA de una "herramienta de inferencia auxiliar" a un "panel de control para la toma de decisiones en exploración".

Tercer punto destacado: El 13% del área concentra todo el potencial, la eficiencia exploratoria mejora en un orden de magnitud

La franja de pórfidos de cobre de Kermán es una de las zonas de mineralización de cobre más renombradas de Irán y del mundo, con un alcance de exploración que cubre miles de kilómetros cuadrados. El equipo de investigación integró datos geoespaciales de múltiples fuentes, como geología, geoquímica y geofísica, para entrenar el modelo AI-MPM, logrando finalmente un dato de eficiencia que impactó a la industria: las zonas objetivo de exploración de alta calidad y bajo riesgo ocupan solo el 13% del área total de estudio, y cubren casi todas las áreas de yacimientos de alto potencial dentro de la franja.

Esto significa que, en una franja metalogenética de miles de kilómetros cuadrados, el modelo de IA ha reducido para los ingenieros de exploración el área que requiere una prospección detallada sobre el terreno en más de cinco sextas partes. Para una industria de exploración minera con presupuestos de perforación que a menudo ascienden a decenas de millones de dólares, esto implica una disminución exponencial de los costes de exploración y una mejora disruptiva en la tasa de éxito.

Del "colapso de los costes de exploración" a la "minería global inteligente"

1. Remodelación del modelo de decisión: de la "intuición geológica" a la "conducción por datos"

La exploración minera tradicional depende del conocimiento personal y la experiencia acumulada de geólogos expertos de alto nivel. Esta tecnología aplica por primera vez de forma sistemática la estrategia AI-MPM con triple optimización híbrida integrada a la exploración de yacimientos de tipo pórfido, marcando la transición de la exploración minera de "impulsada por expertos" a "impulsada por algoritmos". Esto puede reducir significativamente el sesgo humano y la incertidumbre en la interpretación geológica, dotando a las decisiones de exploración de una base científica cuantificable y reproducible.

2. Reducción drástica de los costes de exploración: navegación precisa para concentrarse en 1/6 del área

El valor comercial más directo de esta tecnología reside en la drástica compresión de los costes de exploración. El principal gasto en exploración minera proviene de los estudios de campo y la verificación mediante perforaciones. AI-MPM reduce el área de exploración en la que es necesario enfocarse a menos de una sexta parte en comparación con los métodos tradicionales. Esto significa que el tamaño de los equipos de prospección de campo, el volumen de trabajo de perforación y los costes de análisis de muestras geológicas pueden reducirse en la misma proporción. En un contexto global donde la minería se enfrenta al agotamiento creciente de los afloramientos de alta ley y al aumento exponencial de los costes de exploración de yacimientos profundos y ocultos, esta capacidad de delimitación inteligente de objetivos se convertirá en una competencia central para las empresas mineras.

3. Transferibilidad global y valor de promoción del nuevo paradigma tecnológico

La estrategia AI-MPM validada en este estudio posee una alta transferibilidad, siendo aplicable no solo a la franja de cobre de Kermán en Irán, sino también a cualquier área prospectiva a nivel mundial que cuente con datos geoespaciales de múltiples fuentes. El equipo de investigación señala que el trabajo futuro integrará más fuentes de datos y desplegará técnicas de aprendizaje automático de vanguardia para mejorar continuamente la precisión de la predicción. A medida que la seguridad del suministro de minerales críticos (cobre, litio, cobalto, tierras raras) se convierte en una preocupación estratégica creciente para las naciones, la tecnología de exploración impulsada por IA tiene el potencial de remodelar toda la estructura de costes del descubrimiento y desarrollo minero.

Instalando un "navegador inteligente" para la exploración minera profunda global

El valor profundo de esta investigación radica en que señala un camino viable para que la industria minera global transite de ser "intensiva en mano de obra" a ser "intensiva en inteligencia". En un momento en que los yacimientos superficiales se agotan y la búsqueda de depósitos profundos y ocultos, así como en áreas de cobertura, se convierte en el principal campo de batalla, los métodos tradicionales de cartografía geológica, geoquímica de suelos y prospección geofísica resultan insuficientes frente a la ingente cantidad de datos de múltiples fuentes. La estrategia AI-MPM, mediante el modelo SVM potenciado por la triple optimización algorítmica y combinado con la cuantificación de la incertidumbre a nivel de píxel, ha logrado por primera vez un ciclo cerrado inteligente completo de "fusión de datos - decisión del modelo - cuantificación del riesgo - delimitación de objetivos" en una franja metalogenética de miles de kilómetros cuadrados.

Para las empresas mineras, esto significa disponer de un "prospector virtual" de bajo coste y alta precisión antes de que la perforadora penetre finalmente en el subsuelo; para toda la industria minera, presagia la llegada de un cambio de paradigma, de la conducción por la experiencia a la conducción por algoritmos. Como señala el artículo, esta investigación pionera allana el camino para que el sector minero mundial utilice los algoritmos de inteligencia artificial más avanzados en la búsqueda de nuevos recursos minerales.