این مقاله مروری به بررسی تحلیلی کاربردهای هوش مصنوعی در حوزه‌ی زمین‌شناسی اقتصادی می‌پردازد. یافته‌های پژوهش نشان می‌دهد که الگوریتم‌های یادگیری عمیق، به ویژه شبکه‌های عصبی کانولوشنی و مدل‌های مبتنی بر یادگیری انتقالی، توانسته‌‌اند دقت عملیات اکتشافی را تا 94% افزایش دهند و خطای برآورد ذخایر را به کمتر از 8% کاهش دهند. این پیشرفتها ناشی از قابلیت این سیستم‌ها در پردازش داده‌های چندمقیاسی و شناسایی الگوهای پیچیده زمین‌شناسی است. تحلیل چالش‌های موجود نشان می‌دهد که محدودیت‌های اصلی شامل کمبود داده‌های آموزشی با کیفیت در مقیاس ملی، عدم تطابق مدل‌های جهانی با شرایط زمین‌شناسی خاص ایران و نیاز به توسعه روش‌های تفسیرپذیر برای نتایج حاصل از مدل‌های پیچیده می‌باشد. برای غلبه بر این چالش‌ها، راهکارهای علمی شامل توسعه چارچوب‌های یادگیری تطبیقی بومی، ایجاد بانک‌های داده استاندارد و طراحی سیستم‌های پشتیبان تصمیم‌گیری تخصصی پیشنهاد می‌شود. این مطالعه نشان می‌دهد که با وجود چالش‌های موجود، ایران با توجه به پتانسیل‌های معدنی و نیروی انسانی متخصص، می‌تواند با اجرای برنامه‌ریزی راهبردی و سرمایه‌گذاری هدفمند، به جایگاه ممتازی در کاربردهای هوش مصنوعی در حوزه‌ی زمین‌شناسی اقتصادی دست یابد.

کلمات کلیدی