Vancouver, Kanada - MawsonGoldLimited ("Mawson") oder (das "Unternehmen") (TSX:MAW) (Frankfurt:MXR) (PINKSHEETS: MWSNF - www.commodity-tv.com/ondemand/companies/profil/mawson-gold-ltd/ ) gibt die Ergebnisse der Arbeit von New Exploration Technologies ("NEXT") mit fortschrittlicher künstlicher Intelligenz ("KI") bekannt, um neue Ziele innerhalb der umfangreichen geophysikalischen und geologischen Datenbanken von Rajapalot zu priorisieren und Karten für Gebiete mit hoher Prospektivität zu erstellen. Die Kombination aus künstlicher Intelligenz, Bohrergebnissen auf der Basis von Bodenproben und intelligentem geologischem Denken treibt die Entwicklung von Winterbohrzielen auf dem zu 100 % unternehmenseigenen Projekt Rajapalot in Finnland voran.

Wichtige Punkte:
- Die Prospektivitätskarten für Rajapalot (Abbildung 1) wurden mit Hilfe von AI über Mawsons umfangreiche luft- und bodengestützte Geophysik zusätzlich zu den lithologischen und geochemischen Daten erstellt;
- Die Bohrergebnisse der Base of Till (BOT") zeigen eine beträchtliche Überschneidung mit den erwarteten aussichtsreichen Zonen bei Rajapalot (Abbildung 1);
- Bekannte mineralisierte Gebiete wurden zur Kalibrierung von Modellen des maschinellen Lernens verwendet, die Bohrkerne auf regionaler Ebene, Geophysik, Geochemie, interpretierte Geologie und genetische Modelle von Mineralsystemen analysierten.
- Wie von Rupert Resources bei Ikkari erfolgreich demonstriert wurde, wird Base of Till als In-situ-Methode zur Lokalisierung von Mineralisierungen eingesetzt, die durch die Verfolgung einer einzigen anomalen Base of Till-Probe mit 0,2 ppm Au" entdeckt wurde;
- Die neuen Karten konzentrieren sich auf nur 18 km 2rund um die Ressource, wo die Datendichte hoch genug war, um die bekannte Mineralisierung zu definieren;
- 163 km2 des Projektgebiets sind noch nicht vollständig erkundet, wobei weitere magnetische und elektromagnetische Bodenuntersuchungen die bestehende Basis der Bohrdaten (Abbildung 2) und der intelligenten Kartierungsmöglichkeiten ergänzen sollen;
- Bei Rajapalot wurden im Rahmen dieses Vorhabens direkt bohrbare Ziele geschaffen, da Mawson bereits über beträchtliche Informationen über Strukturen und Gesteinsarten verfügt;
- Die AI-Komponenten der Studie wurden durch das Horizon2020 NEXT-Projekt im Rahmen der Initiativen der Europäischen Union zum Verständnis wirtschaftlich wichtiger metallogener Gürtel finanziert.

Nach zwei Jahren, in denen der Schwerpunkt auf der Ausbohrung von Ressourcen lag, wurde die Exploration innerhalb des zu 100 % im Besitz von Mawson befindlichen großen und strategischen 183,5 qkm großen Grundstücks im Peräpohja-Schiefergürtel wieder auf eine regionale Ebene verlagert. Das Programm nutzt das intime Verständnis des Mineralsystems, das die abgeleitete Mineralressourcenschätzung von 1,04 Moz @ 3,0 g/t Goldäquivalent ("AuEq") aus dem Jahr 2021 definiert (Link), um die Möglichkeit einer Ressourcenerweiterung auf Camp-Ebene aufzuzeigen.

Herr Fairhall, CEO, erklärt: "Jedes Mal, wenn wir die Daten außerhalb unseres abgeleiteten Ressourcengebiets mit einem Äquivalent von einer Million Unzen erneut betrachten, werden wir daran erinnert, wie vielversprechend unser großer Landbesitz ist. Die NEXT-KI-Analyse ist ein leistungsfähiges Prospektionsinstrument, das dazu beigetragen hat, komplexe Korrelationen aufzudecken und zu bestätigen, die unser mineralisiertes System antreiben, und das im gesamten Konzessionsgebiet eingesetzt werden kann. Wie bei der Basis des Ackers sagt uns kein einzelner Prospektionsfilter, wo wir bohren sollen, aber gemeinsam haben wir eine Pipeline von Zielen in unserem gesamten Konzessionsgebiet aufgebaut, die wir systematisch verfeinern und als Bohrziele in der kommenden und zukünftigen Bohrsaison priorisieren werden.

Diese Studie nutzte die vorhandene Literatur und die Ergebnisse anderer NEXT-Forschungen über genetische Modelle von Mineralsystemen, um Einblicke in die Mineralisierungsprozesse bei Rajapalot und zwei anderen metallhaltigen Lagerstätten in Europa zu gewinnen. Es wurden günstige Fallenbedingungen abgeleitet und die zur Mineralisierung führenden geologischen Prozesse modelliert, woraufhin fortschrittliche statistische und maschinelle Lernmethoden für die Prospektivität im Untersuchungsgebiet angewendet wurden. Unüberwachte Methoden wie die selbstorganisierende Karte (SOM) klassifizieren die Datenpunkte nach ihrer Ähnlichkeit untereinander. Überwachte Methoden wie das künstliche neuronale Netz (ANN) verwenden Trainingsdaten (z. B. bekannte Mineralvorkommen), um Datenpunkte zu ermitteln, die den Trainingsdaten am ähnlichsten sind.

Die in Abbildung 1 gezeigte Karte ist ein Beispiel für eine SOM-Karte mit K-Mittel-Clustering. Es ist wichtig anzumerken, dass viele der identifizierten BOT-Bohrl