可解释的机器学习揭示单斜辉石中的氢扩散机制,Chemical Geology

使用单斜辉石 (cpx) 斑晶估算地幔岩浆的含水量可以作为对地球深处水预算的重要约束。复杂的岩浆过程和高氢扩散速率需要仔细评估 cpx 中的含水量是否保持其原始状态。机器学习 (ML) 已被用来开发用于判断 cpx 中氢扩散的分类器。然而，大多数机器学习模型的不透明性和复杂性阻碍了对其分类原理的清晰理解。为了阐明 ML 模型的机制基础，集成了 Shapley 理论，以线性相加的方式确定 cpx 主要元素作为特征的贡献。这项研究使用极端梯度提升模型实现了卓越的分类性能，并创新地提出了每个观察样本级别特征重要性的定量评估。结果表明，Na 在扩散过程中发挥着超过其他主要元素的主导作用，并且其伴生氢很容易从 cpx 中扩散出来。我们的模型还识别了不同元素组成中的各种氢缔合模式，并对 cpx 中与非晶格形成元素结合的氢的性质施加了限制。研究结果表明，可解释的机器学习方法在矿物学中的应用对于促进对地质现象的理解具有巨大的潜力。

"点击查看英文标题和摘要"

相关知识

地幔扩散蠕变
NREE：扩散年代学——揭秘岩浆过程的时间尺度
广州地化所研究揭示印度克拉通地幔1100万年前俯冲到北羌塘地块之下
学术报告：数据驱动下的地幔辉石中“水”扩散研究
机器学习在昆虫图像自动识别中的应用——综述,Ecological Informatics
我校研究团队用钙质碳酸岩熔体与橄榄岩反应实验约束华北克拉通岩石圈地幔改造的过程和历史
JP：华北克拉通东部显生宙期间岩石圈地幔的时代和演化
“可解释、可通用的下一代人工智能方法”重大研究计划系列成果二——基于物理编码学习反应扩散过程
PRE 速递：生成扩散模型的非平衡物理
智能化运维：机器学习在系统监控中的应用

网址: 可解释的机器学习揭示单斜辉石中的氢扩散机制,Chemical Geology https://www.huajiangbk.com/newsview2044327.html