Quantum Science and Big Data: Two powerful tools that drive rapid advancements in geology

doi:10.13745/j.esf.sf.2022.12.53

Abstract

Abstract:

Among the five branches of basic science (mathematics, physics, chemistry, biology and geology), quantum physics, quantum mathematics (including quantum computing and quantum astronomy) and quantum chemistry are currently driving the rapid development of modern science, and remarkable progress has been made in quantum biology. By comparison, quantum geology is lagging behind. To address this issue, we suggest that both quantum science and Big Data should be emphasized in geological research. However, the scientific community has yet to reach a consensus on the following two questions: (1) Is the “quantum geology” idea reasonable? (2) Can quantum approach be adopted in geological research? Here we summarize the development, application and future of quantum technology, discuss the urgency and feasibility of conducting quantum geology research in China, and suggest several potential research areas. As Big Data technology has been widely used in geological research, we point out several challenging issues, which include Big Data and paradigm revolution, Big Data thinking, Big Data and artificial intelligence, Big Data and pragmatism, as well as the prospect of and challenges in geological Big Data research. Finally, we suggest that a forward-looking approach should be taken in promoting quantum geology research, and that geological Big Data research should be greatly strengthened and the data-sharing problem in geological research should be addressed.

Key words: geology, Quantum Sciences, Big Data, data sharing, thinking

CLC Number:

P5
TP301

JIAO Shoutao, ZHANG Qi, TANG Jun, YUAN Jie, WANG Zhen, CHEN Wanfeng, CAI Hongming, WANG Yue. Quantum Science and Big Data: Two powerful tools that drive rapid advancements in geology[J]. Earth Science Frontiers, 2023, 30(3): 294-307.

Figures/Tables 1

References 76

[1]	王振, 张旗, 石玉若, 等. 量子-地球科学研究的初步展望: 以量子-生物科学的研究为鉴[J]. 矿物岩石地球化学通报, 2022, 41(4): 875-880.
[2]	秦明. 光合作用中的能量传输[D]. 大连: 大连理工大学, 2017.
[3]	KIM Y, BERTAGNA F, D’SOUZAE M, et al. Quantum biology: an update and perspective[J]. Quantum Reports, 2021, 3(1): 80-126. DOI URL
[4]	张旗, 焦守涛, 李明超, 等. 量子纠缠技术在地质学上应用的可能性[J]. 地学前缘, 2019, 26(4): 159-169. DOI
[5]	ZUO R G, WANG Z Y. Effects of random negative training samples on mineral prospectivity mapping[J]. Natural Resources Research, 2020, 29(6): 3443-3455. DOI
[6]	孙昌璞. 量子力学诠释与波普尔哲学的“三个世界”[J]. 中国科学院院刊, 2021, 36(3): 296-307.
[7]	张旗, 汤军, 原杰, 等. 量子时代科学思维的特征[J]. 矿物岩石地球化学通报, 2022, 41(4): 854-860.
[8]	雷援朝. 论地学实践的结构[J]. 陕西师大学报(自然科学版), 1989, 17(4): 66-70.
[9]	李国华. 成矿指示矿物多尺度结构: 量子地球科学深部找矿之必由之路[C]// 全国第一届量子地球科学学术研讨会摘要集. 成都: 成都理工大学, 2021: 11-12.
[10]	刘睿, 左蕾, 张鹏, 等. 纳米地质学:量子科学走进地质学的桥梁[J/OL]. 地学前缘, 2022, DOI: 10.13745/j.esf.sf.2022.4.65. DOI
[11]	戴瑾. 从零开始读懂量子力学[M]. 北京: 北京大学出版社, 2020.
[12]	FLEISCH D A. 薛定谔方程[M]. 邱道文, 周旭, 译. 北京: 机械工业出版社, 2022.
[13]	王正行. 量子力学原理(第三版)[M]. 北京: 北京大学出版社. 2020.
[14]	郭光灿. 量子信息技术研究现状与未来[J]. 中国科学: 信息科学, 2020, 50(9): 1395-1406.
[15]	VON NEUMANN J. Mathematical foundations of quantum mechanics[M]. Princeton: Princeton University Press, 1955.
[16]	郭光灿. 量子十问之十:第二次量子革命究竟要干什么?[J]. 物理, 2019, 48(7): 464-465.
[17]	EINSTEIN A, PODOLSKY B, ROSEN N. Can quantum-mechanical description of physical reality be considered complete?[J]. Physical Review, 1935, 47(10): 777-780. DOI URL
[18]	SCHLEICHW P, RANADE K S, ANTON C, et al. Quantum technology: from research to application[J]. Applied Physics B, 2016, 122(5): 1-31. DOI URL
[19]	WEN X G. Topological orders in rigid states[J]. International Journal of Modern Physics B, 1990, 4(2): 239-271. DOI URL
[20]	WEN X G. Topological orders and edge excitations in fractional quantum Hall states[J]. Advances in Physics, 1995, 44(5): 405-473. DOI URL
[21]	LEVIN M A, WEN X G. String-net condensation: a physical mechanism for topological phases[J]. Physical Review B, 2005, 71(4): 045110. DOI URL
[22]	CHEN X, GUZ C, WEN X G. Local unitary transformation, long-range quantum entanglement, wave function renormalization, and topological order[J]. Physical Review B, 2010, 82(15): 155138. DOI URL
[23]	潘建伟. 更好推进我国量子科技发展[J]. 红旗文稿, 2020(23): 9-12.
[24]	王中兴, 康利利. 利用量子传感器探测从地壳到人脑的未知领域[EB/OL]. (2020-01-07) [2022-06-01]. http://www.igg.cas.cn/xwzx/cutting_edge/201912/t20191206_5450150.html.
[25]	文小刚. 物理学新的革命[EB/OL]. (2015-01-23) [2022-06-01]. http://alumni.cas.cn/yywg/201501/t20150123_4304138.html.
[26]	张旗. 波普尔科学哲学理论简介[J]. 甘肃地质, 2021, 30(2): 1-13.
[27]	张旗. 学习波普尔哲学,加快科学研究进程[J]. 甘肃地质, 2021, 30(3): 1-14.
[28]	路来君. 地球科学研究的泛量子化问题[J]. 地学前缘, DOI: 10.13745/j.esf.sf.2023.2.43. DOI
[29]	章军锋, 倪怀玮, 杨晓志, 等. 中国实验地球科学研究进展与展望(2011—2020)[J]. 矿物岩石地球化学通报, 2021, 40(3): 597-609, 777.
[30]	吴厚泽, 吴双凤, 池上荣. 岩浆热液中硫的存在形式及其与成矿关系的实验研究[J]. 地质与勘探, 1982, 18(12): 6-12.
[31]	张旗, 金惟俊, 李承东, 等. 地热场中“岩浆热场”的识别及其意义[J]. 地球物理学进展, 2013, 28(5): 2495-2507.
[32]	张旗, 金惟浚, 李承东, 等. “岩浆热场”说及其成矿意义(上)[J]. 甘肃地质, 2014, 23(1): 1-18.
[33]	罗照华, 莫宣学, 卢欣祥, 等. 透岩浆流体成矿作用: 理论分析与野外证据[J]. 地学前缘, 2007, 14(3): 165-183.
[34]	罗照华. 雅鲁藏布江蛇绿岩的侵位机制: 一个新的分析模型[J]. 中国地质, 2019, 46(1): 21-31.
[35]	YUAN J. Influence of Mg²⁺, Fe²⁺ and Zn²⁺ cations on ¹³C-¹⁸O bonds in precipitated aragonite, calcite and dolomite: an ab initio study[J]. Open Journal of Geology, 2015, 5(5): 254-267. DOI URL
[36]	史顺平, 罗文浪, 朱正和, 等. 外偶极电场作用下H₂O,D₂O和T₂O的可逆分解电压[J]. 化学学报, 2010, 68(10): 975-81.
[37]	彭明生, 郑楚生. 量子矿物学: 量子化学在矿物学上的应用[J]. 中南矿冶学院学报, 1980, 11(2): 110-117.
[38]	李高山. 从金矿的找矿矿物学研究看量子矿物学的发展[J]. 吉林大学学报(地球科学版), 1988, 18(3): 305-309.
[39]	JESCHKE H, OPAHLE I, KANDPAL H, et al. Multistep approach to microscopic models for frustrated quantum magnets: the case of the natural mineral azurite[J]. Physical Review Letters, 2011, 106(21): 217201. DOI URL
[40]	维克托·迈尔·舍恩伯格, 肯尼思·库克耶. 大数据时代:生活、工作与思维的大革命[M]. 盛杨燕, 周涛, 译. 杭州: 浙江人民出版社, 2003: 1-261.
[41]	顾峥, 高阳. 第四范式视角下的大数据科学[J]. 南京信息工程大学学报(自然科学版), 2019, 11(3): 251-255.
[42]	库恩. 科学革命的结构[M]. 金吾伦,胡新和,译, 北京: 北京大学出版社, 2003.
[43]	邓仲华, 李志芳. 科学研究范式的演化: 大数据时代的科学研究第四范式[J]. 情报资料工作, 2013(4): 19-23.
[44]	宋文婷. 科学哲学视域下的大数据问题研究[D]. 太原: 山西大学, 2021.
[45]	周永章, 陈烁, 张旗, 等. 大数据与数学地球科学研究进展: 大数据与数学地球科学专题代序[J]. 岩石学报, 2018, 34(2): 255-263.
[46]	GUOH D, WANG L Z, CHEN F, et al. Scientific Big Data and Digital Earth[J]. Chinese Science Bulletin, 2014, 59(35): 5066-5073. DOI URL
[47]	郭华东. 科学大数据:国家大数据战略的基石[J]. 中国科学院院刊, 2018, 33(8): 768-773.
[48]	周永章, 张良均, 张奥多, 等. 地球科学大数据挖掘与机器学习[M]. 广州: 中山大学出版社, 2018: 1-360.
[49]	卢雨生. 论大数据背景下科学发展的第四范式[J]. 现代交际, 2020(13): 244-245.
[50]	ANDERSON C. The end of theory: the data deluge makes the scientific method obsolete[EB/OL]. (2019-03-20) [2022-06-01]. http://www.wired.com/2008/06/pb-theory/.
[51]	张旗, 周永章. 大数据时代对科学研究方法的反思: 《矿物岩石地球化学通报》2017大数据专辑代序[J]. 矿物岩石地球化学通报, 2017, 36(6): 881-885, 878.
[52]	杰夫. 全数据模式将彻底改变世人理解社会的方法: 评《大数据时代: 生活、工作与思维的大变革》[N]. 上海证券报, 2013-01-19(7).
[53]	黄欣荣. 大数据对科学哲学的新挑战[J]. 新疆师范大学学报(哲学社会科学版), 2016, 37(3): 133-139.
[54]	NORVIG P. All we want are the facts, ma’am[EB/OL] (2019-03-20) [2022-06-01]. http://norvig.com/fact-check.html.
[55]	成秋明. 什么是数学地球科学及其前沿领域?[J]. 地学前缘, 2021, 28(3): 6-25. DOI
[56]	张炜, 赵相宽. 人工智能技术在全球矿产勘查领域的应用现状及展望[C]∥首届全国矿产勘查大会论文集. 合肥: 中国地球物理学会, DOI: 10.26914/c.cnkihy.2021.036439. DOI
[57]	王杉. 大数据背景下的人工智能范式综述[J]. 科技风, 2019(34): 1. [知网]
[58]	XIONGY H, ZUO R G. Recognition of geochemical anomalies using a deep autoencoder network[J]. Computer Geoscience, 2016, 86, 75-82.
[59]	ZUO R G, XIONG Y H, WANG J, et al. Deep learning and its application in geochemical mapping[J]. Earth-Science Reviews, 2019, 192: 1-14. DOI
[60]	ZUO R G, XIONG Y H. Big Data analytics of identifying geochemical anomalies supported by machine learning methods[J]. Natural Resources Research, 2018, 27(1): 5-13. DOI URL
[61]	XIONG Y H, ZUO R G, CARRANZA E J M. Mapping mineral prospectivity through Big Data analytics and a deep learning algorithm[J]. Ore Geology Reviews, 2018, 102: 811-817. DOI URL
[62]	刘宇. 实用主义与哲学的改造[J]. 齐齐哈尔师范高等专科学校学报, 2009(5): 84-85.
[63]	杜威. 杜威五大讲演[M]. 胡适口,译. 合肥: 安徽教育出版社, 2005.
[64]	詹姆士. 实用主义[M]. 陈羽纶, 孙瑞禾,译. 北京: 商务印书馆, 1979.
[65]	郑国玉, 唐代虎. 重视科学方法、行动和效用的杜威实用主义[J]. 辽宁大学学报(哲学社会科学版), 2009, 37(5): 95-99.
[66]	GUO H D. Scientific Big Data: a footstone of national strategy for Big Data[J]. Bulletin of Chinese Academy of Sciences, 2018, 33(8): 768-773.
[67]	徐冠华, 孙枢, 陈运泰, 等. 迎接“数字地球”的挑战[J]. 遥感学报, 1999, 3(2): 85-89.
[68]	安培浚, 刘细文, 李佳蕾, 等. 趋势观察:国际地球大数据领域研究态势与热点趋势[J]. 中国科学院院刊, 2021, 36(8): 989-992.
[69]	周永章, 左仁广, 刘刚, 等. 数学地球科学跨越发展的十年:大数据、人工智能算法正在改变地质学[J]. 矿物岩石地球化学通报, 2021, 40(3): 556-573, 777.
[70]	左仁广. 基于数据科学的矿产资源定量预测的理论与方法探索[J]. 地学前缘, 2021, 28(3): 49-55. DOI
[71]	左仁广, 彭勇, 李童, 等. 基于深度学习的地质找矿大数据挖掘与集成的挑战[J]. 地球科学, 2021, 46(1): 350-358.
[72]	李灿锋, 刘达, 周德坤, 等. 人工智能在地质领域的应用与展望[J]. 矿物岩石地球化学通报, 2022, 41(3): 668-677.
[73]	曹宇. 人工智能在石油勘探中的应用[J]. 信息系统工程, 2022(5): 56-59.
[74]	李胜荣, 申俊峰, 李林, 等. 基于大数据的成因矿物学研究思考[J]. 地学前缘, 2021, 28(3): 76-86. DOI
[75]	路英川, 李鹏, 王浩, 等. 大数据时代矿床学研究发展状况综述[J]. 世界核地质科学, 2021, 38(3): 295-310.
[76]	吴冲龙, 刘刚. 大数据与地质学的未来发展[J]. 地质通报, 2019, 38(7): 1081-1088.