Trace elements of quartz document the physical-chemical evolutions of quartz growth, which has been a great and most applied tool in the study of geological settings in quartz-forming environments. A classic method is using graphic diagram plots visualizing the quartz trace element discriminations and trends, examples including the Al-Ti diagram (Rusk, 2012, https://doi.org/10.1007/978-3-642-22161-3_14) and the Ti-Al-Ge diagram (Schrön et al., 1988, https://www.researchgate.net/publication/236149159_Geochemische_Untersuchungen_an_Pegmatitquarzen). However, those diagrams are limited to two dimensions and cannot show the information in a higher dimension. In the study, we thus used a machine learning-based approach to evaluate quartz trace elements, and visualized them for the first time in the high-dimensional diagrams. We revisited 1,626 quartz samples from nine geological environments from previous studies, and applied a support vector machine to characterize values of the contained trace elements, including Al, Ti, Li, Ge, and Sr. We demonstrate that support vector machines can identify the crystallization environment of quartz with a significantly higher accuracy than the traditional plotting methods. Our work can massively improve the confidence on distinguishing quartz origin from different geological environments with a high efficiency. The method may also be applicable for other minerals, and we anticipate our research is a starting point for investigating mineral trace elements with machine learning techniques. Our quartz classifier can be accessed via https://quartz-classifier.herokuapp.com.

中文翻译：

---

石英成形环境的机器学习预测

石英中的微量元素记录了石英生长的物理化学演化，它一直是研究石英形成环境中地质背景的重要且应用最广泛的工具。一个经典的方法是使用图表图来可视化石英微量元素的区别和趋势，示例包括铝钛图（Rusk，2012，https://doi.org/10.1007/978-3-642-22161-3_14）和Ti-Al-Ge 图（Schrön 等，1988，https://www.researchgate.net/publication/236149159_Geochemische_Untersuchungen_an_Pegmatitquarzen）。但是，这些图表仅限于二维，无法显示更高维度的信息。在研究中，我们因此使用基于机器学习的方法来评估石英微量元素，并首次在高维图中将它们可视化。我们重温了 1, 来自先前研究的九个地质环境的 626 个石英样品，并应用支持向量机来表征所含微量元素的值，包括 Al、Ti、Li、Ge 和 Sr。我们证明支持向量机可以识别结晶环境石英具有明显高于传统绘图方法的精度。我们的工作可以大大提高从不同地质环境中高效区分石英来源的信心。该方法也可能适用于其他矿物质，我们预计我们的研究是使用机器学习技术研究矿物质微量元素的起点。我们的石英分类器可以通过 https://quartz-classifier.herokuapp.com 访问。并应用支持向量机来表征所含微量元素的值，包括 Al、Ti、Li、Ge 和 Sr。我们证明支持向量机可以以比传统绘图方法更高的精度识别石英的结晶环境. 我们的工作可以大大提高从不同地质环境中高效区分石英来源的信心。该方法也可能适用于其他矿物质，我们预计我们的研究是使用机器学习技术研究矿物质微量元素的起点。我们的石英分类器可以通过 https://quartz-classifier.herokuapp.com 访问。并应用支持向量机来表征所含微量元素的值，包括 Al、Ti、Li、Ge 和 Sr。我们证明支持向量机可以以比传统绘图方法更高的精度识别石英的结晶环境. 我们的工作可以大大提高从不同地质环境中高效区分石英来源的信心。该方法也可能适用于其他矿物质，我们预计我们的研究是使用机器学习技术研究矿物质微量元素的起点。我们的石英分类器可以通过 https://quartz-classifier.herokuapp.com 访问。我们证明了支持向量机可以以比传统绘图方法更高的精度识别石英的结晶环境。我们的工作可以大大提高从不同地质环境中高效区分石英来源的信心。该方法也可能适用于其他矿物质，我们预计我们的研究是使用机器学习技术研究矿物质微量元素的起点。我们的石英分类器可以通过 https://quartz-classifier.herokuapp.com 访问。我们证明了支持向量机可以以比传统绘图方法更高的精度识别石英的结晶环境。我们的工作可以大大提高从不同地质环境中高效区分石英来源的信心。该方法也可能适用于其他矿物质，我们预计我们的研究是使用机器学习技术研究矿物质微量元素的起点。我们的石英分类器可以通过 https://quartz-classifier.herokuapp.com 访问。该方法也可能适用于其他矿物质，我们预计我们的研究是使用机器学习技术研究矿物质微量元素的起点。我们的石英分类器可以通过 https://quartz-classifier.herokuapp.com 访问。该方法也可能适用于其他矿物质，我们预计我们的研究是使用机器学习技术研究矿物质微量元素的起点。我们的石英分类器可以通过 https://quartz-classifier.herokuapp.com 访问。