Le reti neurali hanno già dimostrato le loro capacità di riconoscere determinati pattern, precedentemente appresi, in applicazioni di vario tipo, quali la robotica, il riconoscimento vocale e il filtraggio di spam, solo per citarne alcune.

L'ultimo campo di applicazione che si è aggiunto in ordine di tempo è rappresentato dalla paleontologia, ossia la scienza che studia la vita e gli ambienti nella preistoria, principalmente utilizzando i fossili giunti fino ai nostri giorni. Per ammissione degli stessi paleontologi, i metodi utilizzati per identificare i siti potenzialmente adatti per trovare un giacimento di fossili sono piuttosto datati, basandosi su mappe geologiche, resoconti di ritrovamenti precedenti e, soprattutto, all'istinto e al caso (come è successo ad esempio per il ritrovamento di Lucy).

Ora, grazie a una ricerca condotta presso la Western Michigan University, sembra essere possibile utilizzare un metodo più scientifico, o comunque sfruttare le potenzialità dell'informatica anche in questo ambito di studio. La ricerca in questione, infatti, ha realizzato un modello basato su reti neurali capace di identificare, a partire da immagini satellitari, le aree potenzialmente adatte per eseguire delle campagne di scavo alla ricerca di fossili.

La rete neurale utilizzata in questa ricerca è di tipo standard, in cui il layer di input include alcune bande spettrali del satellite Landsat 7 (in particolare le bande del sensore ETM+ da 1 a 5 e la banda 7), mentre il layer di output include dieci differenti firme spettrali del terreno (foreste, paludi, praterie, e via discorrendo).

Il processo di addestramento della rete neurale è stato eseguito utilizzando delle immagini satellitari relative ad alcune zone del Great Divide Basin, nello stato del Wyoming, già note per aver rivelato numerosi giacimenti di fossili del Pliocene e dell'Eocene. Utilizzata quindi su immagini relative ad altre zone, la rete neurale ha correttamente identificato diversi altri siti di fossili, compreso uno ancora in fase di studio, dimostrando quindi da un lato la bontà dei pattern utilizzati per il suo addestramento e dall'altro la correttezza del suo funzionamento.

Le prospettive aperte da una ricerca simile sembrano promettenti, soprattutto in termini di risparmio di tempo nell'identificazione delle zone di interesse e di denaro per le campagne di scavo, senza tuttavia rovinare il piacere della scoperta.