Khoáng sản, với thành phần hóa học phức tạp và cấu trúc tinh thể, đóng một vai trò then chốt trong nhiều quá trình hóa học, ứng dụng, và nghiên cứu. Truyền thống, việc phân loại chúng được thực hiện thông qua các kỹ thuật quan sát và hóa học. Tuy nhiên, với việc tăng số lượng mẫu, các phương pháp này thường mất nhiều thời gian. Những tiến bộ gần đây trong Trí tuệ nhân tạo (AI) và Học sâu (DL) hứa hẹn những cải tiến đột phá về tốc độ và độ chính xác của việc phân loại khoáng sản. Tuy nhiên, các mô hình DL, mặc dù chính xác, thường hoạt động như những “hộp đen”, làm cho quyết định của chúng không tường minh. Để giải quyết điều này, nghiên cứu của chúng tôi giới thiệu một khung chương trình dựa trên AI cho việc phân loại khoáng sản, kết hợp các mô hình tiên tiến với AI Giải thích được (XAI) và mô hình AI sinh ngôn ngữ lớn (LLMs) như GPT-4. Chương trình này không chỉ phân loại một số lượng lớn các khoáng sản mà còn giải thích lý do phía sau mỗi lựa chọn phân loại. Thông qua sự kết hợp của mô hình Swin Transformer V2 cho việc nhận dạng khoáng sản, GradCAM cho tính minh bạch của mô hình, và GPT-4 để truy xuất thông tin khoáng sản chi tiết, chương trình cung cấp sự kết hợp cân đối giữa hiệu suất, khả năng giải thích và thông tin hướng tới người dùng. Chương trình có thể được truy cập công khai, nhấn mạnh tiềm năng của AI trong việc cách mạng hóa việc phân loại khoáng sản trong khi vẫn đáp ứng nhu cầu về sự rõ ràng, minh bạch và giáo dục người dùng. Đường dẫn truy cập công khai tại https://huggingface.co/spaces/minatosnow/mineral_framework.

Minerals, with their intricate chemical compositions and crystalline structures, play a pivotal role in diverse chemical processes, applications, and research. Traditionally, their classification was achieved through observational and chemical techniques. However, with increasing sample sizes, these methods often proved time-consuming. Recent advances in Artificial Intelligence (AI) and Deep Learning (DL) promise transformative improvements in the speed and accuracy of mineral classification. However, DL models, for all their precision, often operate as “black boxes”, making their decision-making opaque. To address this, our study introduces an innovative AI-powered framework for mineral classification, integrating state-of-the-art models with Explainable AI (XAI) and generative AI large language models (LLMs) like GPT-4. This framework not only categorizes a wide-ranging number of minerals but also elucidates the reasoning behind each classification. Through a combination of Swin Transformer V2 models for mineral identification, GradCAM for model transparency, and GPT-4 for detailed mineral information retrieval, the framework offers a balanced blend of performance, interpretability, and user-centric information. Available for public access, this system underscores the potential of AI to revolutionize mineral classification while staying attuned to the demands of clarity, transparency, and user education. The framework can be publicly accessed via https://huggingface.co/spaces/minatosnow/mineral_framework.