Global Energy Metals Corporation kondigt de resultaten aan van een uitgebreide doelgenera; on die Earthlabs Inc., voorheen Gold Spot Discoveries Corp. ("Earthlabs") heeft uitgevoerd op de Lovelock en Treasure Box projecten in de Stillwater Range in Nevada. Earthlabs werd ingeschakeld om hun eigen toepassingen voor machinaal leren ("AI") en geowetenschappelijke expertise toe te passen om het bedrijf te helpen bij het uitbreiden van ontdekkingen en het identificeren van nieuwe doelgebieden met hoge prioriteit.

Hoogtepunten van de samenwerking tussen GoldSpot en GEMC De AI en geologische interpretatie van Earthlab brengen het potentieel aan kobalt, nikkel en koper aan het licht in de projecten van GEMC in Nevada; In totaal zijn er 30 exploratiedoelen geïdentificeerd, 15 op het Lovelock Project en 15 doelen op het Treasure Box Project; Ter voorbereiding van het veldwerk heeft GoldSpot een kaart van waarschijnlijke doelzones verstrekt, die het resultaat is van de AI-analyse en tijd- en kostenefficiënte veldprospectie mogelijk maakt; en - Het bedrijf zal beginnen met het mobiliseren voor een veldprogramma om de voorgestelde doelgebieden te controleren om de lithologieën te helpen bevestigen en de doelzones te valideren en prioriteren. De zomerprogramma's van Global Energy waren gericht op het ontwikkelen van nieuwe targets op het Lovelock project en het verder definiëren van hoogpotentiële historische prospects uit de target pijplijn compilatie op het Treasure Box project. GEMC maakt gebruik van de AI- en machineleertechnologieën van Earthlabs om de exploratiedoelen op zijn eigendommen in Nevada te helpen optimaliseren.

Earthlabs werkt samen met toonaangevende exploratie- en mijnbouwklanten voor alle grondstoffen en afzettingssoorten, en gebruikt geavanceerde technologie en geowetenschappelijke expertise om exploratierisico's te beperken en de efficiëntie en slagingskans van de exploratie van mineralen over de hele wereld te vergroten. De analytische workflow bestond uit de verwerking van diverse geowetenschappelijke datasets, waaronder aëromagnetische gegevens, grond-IP, geologische gegevens van boringen, en gegevens over gesteente en grond. De gegevensintegratie met homogene dekking in een Machine Learning gegevenskubus leidde tot een robuust supervised-AI model dat targets genereerde met een hoge voorspellingsscore voor kobalt, koper en nikkel.