石英可形成于多种物理化学条件下，是地壳中储量最丰富、分布最广泛的造岩矿物。在热液矿床中，石英往往保留着与成矿有关的关键信息。石英中微量元素的丰度和分布特征一般受控于结晶过程中物理化学条件的改变以及结晶后的一系列固态演化。已有研究表明，石英微量元素可用于指示其原岩类型和形成环境，经典图解包括Ti-Al二元图解（Rusk，2012）和Ti-Al-Ge三元图解（Schr？n等，1988）。然而，现有的石英判别图解无法涵盖所有可能的原岩类型，并且通过微量元素图解反演形成环境仍存在较大局限，这极大地制约了石英微量元素地球化学在成矿成藏动力学上的应用和精细化研究。其根本原因是由于低维度图解难以反应出数据的多维信息，因此构建高维度石英微量元素判别分类方法是准确约束石英类型的最为有效的方法。
针对上述科学问题，我校地球科学与资源学院博士研究生王瑀在“成矿动力学”高等学校学科创新引智基地和“岩浆-热液演化与金属成矿”求真研究群体成员邱昆峰教授的指导下，依托教育部青年********奖励计划、北京市科技新星计划和国家自然科学基金项目，运用机器学习方法对石英微量元素开展深入研究，取得了以下创新性成果：
（1） 构建了目前全球最完整的石英微量元素信息库：汇编整理了全球48个典型矿床（图1）的5397组微量元素数据（图2）。（石英微量元素信息库详见：http://doi.org/10.5281/zenodo.4077298）
（2） 对比了2维到7维空间中石英类型判断的准确率，验证了随着维度空间的增加不同形成环境的石英的可区分度和区分准确率也随之提高。
（3） 使用机器学习技术分析石英微量元素，并在高维空间中将其可视化（图3）。
（4） 建立了首个运用于石英微量元素分类研究的高精度机器学习分类器（86%准确率）。该分类器可共享使用，详见：https://quartz-classifier.herokuapp.com。
本研究表明，仅基于石英微量元素信息，机器学习能够比的传统图解方法更准确地识别石英形成环境。本工作极大地提高了鉴别石英类型的准确度、可信度和效率，通过石英的微量元素即可有效判别该岩体是否含矿及其所属的矿床或岩石类型。

图1 石英微量数据所来自的全球48各地点


图2 不同成因类型石英的微量元素数据箱式图




图3 石英微量元素在5维空间中2维截面及该截面附近的数据点
上述研究发表于地学领域国际权威期刊《Journal of Geophysical Research: Solid Earth》：Wang, Y., Qiu, K.F.*, Müller, A., Hou, Z.L., Zhu, Z.H., & Yu, H.C. (2021). Machine learning prediction of quartz forming-environments. Journal of Geophysical Research: Solid Earth, 126, e2021JB021925.
全文链接：https://doi.org/10/gk6t2b