大语言模型等人工智能技术正在推动地球科学向智能化与自动化方向转型,在矿产资源预测等领域展现出巨大潜力。当前仍面临非结构化地学数据难有效利用、多源异构数据融合复杂、计算方法固定单一及模型可解释性不足等问题,严重制约了人工智能在矿产预测的深入应用。为应对上述挑战,本研究受国家重点研发计划项目“滨海地区金矿勘查评价技术与增储示范(2023YFC2906900)”资助,它探索将大语言模型、多智能体系统、知识图谱以及检索增强生成(Graph RAG)等先进技术与矿产预测需求相结合,构建胶东地区金矿知识问答系统,搭建基于大模型多智能体的金矿资源智能预测框架,旨在提升矿产勘探效率并降低勘查成本,实现人工智能深度赋能矿产预测工作。本文的主要进展与成果如下: (1)建立胶东金矿数据库。数据采集大量与胶东金矿相关的文本、图件、表格等数据,利用文本识别技术提取地质报告、论文等非结构化文本信息,构建标准化的金矿本体知识体系,形成胶东金矿知识库。 (2)构建胶东金矿知识图谱。首先,采用人工方式建立知识图谱,构建胶东金矿的实体关系;其次,利用大模型的提示工程优化技术,自动构建金矿知识图谱。通过非结构化文本抽取关键信息,提高构建知识图谱效率并降低人工标注成本,为智能预测研究提供坚实的知识基础。 (3)将地学知识与大语言模型融合,创建矿产资源专业大语言模型,建立基于LLMs+Graph RAG的胶东金矿智能搜索系统。使用Graph RAG将知识图谱与大语言模型无缝集成,突破传统RAG依赖文本相似度搜索局限性,新型智能化矿产资源大数据模型支撑的知识搜索在问答系统等方面显著优于其他通用大模型,并提高结果可解释性。 (4)建立LLMs和MAS的金矿智能预测框架。以大语言模型为知识基础,采用松散资源整合框架集成地球化学、地球物理、地质构造、遥感影像等Agents,各Agent可调用多个计算工具并互相交互,可以完成数据导入、数据访问、处理甚至预测,最终生成矿产预测图。 (5)构建以大模型+智能体驱动的快速处理多源数据融合,实现成矿特征高效提取并识别异常的智能化预测工作模式。提高分析自动化程度,并减少对人工干预的依赖,为提高找矿效率、降低勘探成本打下基础,为地球科学智能化研究提供新的方法论和技术支持。 综上所述,采用大语言模型进行地质矿产找矿标识等智能识别分析取得预期效果,可经微调等实现多种下游训练与应用,为智能预测进行有益探索,为新一轮找矿突破中推进人工智能与矿产资源融合实现真正的智能预测奠定基础。