MINELUZ
v2.1 // live

mineluz

AI-Powered Mineral Exploration Exploración Mineral con IA

If the earth has measured it,
we can model it.
Si la tierra lo ha medido,
nosotros lo podemos modelar.

Investor DeckPresentación a Inversionistas  //  2026
Vancouver, Canada
mineluz.com
MINELUZ
02 / 12

Discovery is slow, expensive, and
built on fragmented data.
El descubrimiento es lento, costoso
y se basa en datos fragmentados.

Mining and exploration firms are sitting on petabytes of subsurface data they cannot interpret fast enough to bet capital on. Las firmas de minería y exploración acumulan petabytes de datos del subsuelo que no logran interpretar lo suficientemente rápido como para invertir capital con confianza.

01

Drilling campaigns fail often Las campañas de perforación fallan

Most exploration wells return non-commercial results. Each miss burns millions and resets the timeline. La mayoría de los pozos de exploración no son comerciales. Cada fallo quema millones y reinicia el cronograma.

02

Data lives in silos Los datos viven en silos

Seismic, well logs, satellite imagery, and LiDAR are captured separately and rarely fused into a single, queryable model. Sísmica, registros de pozo, imágenes satelitales y LiDAR se capturan por separado y rara vez se fusionan en un único modelo consultable.

03

Months of manual interpretation Meses de interpretación manual

Senior geoscientists spend quarters reviewing surveys by hand before a single drill target is approved. Geocientíficos senior pasan trimestres revisando estudios a mano antes de aprobar un solo objetivo de perforación.

MINELUZ
03 / 12

A large, capital-efficient market
that AI has barely touched.
Un mercado grande y eficiente en capital
que la IA apenas ha tocado.

$19.6B
global mineral exploration exploración mineral global
projected by 2030 proyectado para 2030
// 01
< 5%

of mineral exploration workflows are currently AI-enabled — the rest run on legacy software and human pattern-matching. de los flujos de exploración mineral usan IA hoy — el resto corre con software heredado y análisis humano.

// 02
3.7×

AI adoption growth observed across oil & gas in the last five years — a direct precedent for minerals. Crecimiento de adopción de IA en petróleo y gas en los últimos cinco años — un precedente directo para minerales.

// 03
$0.6T

downstream metals demand pulling exploration: copper, lithium, nickel, rare earths, and silver for the energy transition. demanda de metales que impulsa la exploración: cobre, litio, níquel, tierras raras y plata para la transición energética.

MINELUZ
04 / 12

One AI engine from raw signal
to confidence-scored target.
Un motor de IA desde la señal cruda
hasta el objetivo con puntaje de confianza.

→ 01
Connects raw subsurface data directly to maps, 3D models, and ranked drill targets. Conecta los datos crudos del subsuelo directamente con mapas, modelos 3D y objetivos de perforación priorizados.
→ 02
Replaces months of manual interpretation with days of automated, auditable analysis. Reemplaza meses de interpretación manual con días de análisis automatizado y auditable.
→ 03
Every forecast ships with a confidence score and the underlying data trail. Cada pronóstico incluye un puntaje de confianza y la trazabilidad de los datos.
→ 04
End-to-end — no glue code, no consultant army, no swivel-chair workflows. De punta a punta — sin código pegamento, sin ejércitos de consultores ni flujos manuales.
// the mineluz engine
SEG-Y LAS GEOTIFF LIDAR AI ENGINE MULTI HEATMAP 3D MODEL TARGETS SCORING // ARCGIS · QGIS · WEB
MINELUZ
05 / 12

Three stages, one pipeline. Tres etapas, un solo pipeline.

// stage 01

Data ingestion Ingesta de datos

  • SEG-Y seismic surveysEstudios sísmicos SEG-Y
  • LAS / LAZ well logsRegistros de pozo LAS / LAZ
  • GeoTIFF multispectral satelliteSatélite multiespectral GeoTIFF
  • LiDAR point cloudsNubes de puntos LiDAR
  • Auto-normalized & mergedNormalizados y fusionados automáticamente
// stage 02

AI processing Procesamiento con IA

  • 3D CNN + RNN — fault & fracture mappingCNN 3D + RNN — fallas y fracturas
  • UNet CNN — lithology segmentationUNet CNN — segmentación litológica
  • PointNet++ — LiDAR surface reconstructionPointNet++ — reconstrucción de superficie LiDAR
  • Transformer ensembles — mineralization targetingEnsambles Transformer — focalización de mineralización
// stage 03

Visualization & export Visualización y exportación

  • Interactive heatmapsMapas de calor interactivos
  • 3D subsurface modelsModelos 3D del subsuelo
  • Fault overlaysCapas de fallas
  • Confidence-scored targetsObjetivos con puntaje de confianza
  • Export to ArcGIS, QGIS, webExporta a ArcGIS, QGIS, web
MINELUZ
06 / 12

Measurable impact across
the exploration P&L.
Impacto medible en toda la
cuenta de exploración.

40%
// cost
lower exploration costs versus traditional workflows. menores costos de exploración frente a flujos tradicionales.
75%
// success rate
higher discovery success rate on AI-prioritized targets. mayor tasa de éxito en objetivos priorizados por IA.
80%+
// accuracy
mineral prediction accuracy across validation deployments. precisión en predicción mineral en despliegues de validación.
50%
// risk
fewer drilling failures, releasing capital for high-confidence wells. menos perforaciones fallidas, liberando capital para pozos de alta confianza.
// Aggregated from pilot deployments & benchmark studies — full methodology available on request. // Agregado a partir de despliegues piloto y estudios de referencia — metodología completa bajo solicitud.
MINELUZ
07 / 12

A defensible multi-model stack
built for any measured signal.
Un stack multi-modelo defendible
para cualquier señal medida.

// proprietary model stack

3D CNN + RNN
Fault & fracture mapping from seismic volumes Mapeo de fallas y fracturas en volúmenes sísmicos
UNet CNN
Lithology segmentation from well-log + imagery Segmentación litológica desde registros e imágenes
PointNet++
LiDAR surface & topography reconstruction Reconstrucción de superficie y topografía LiDAR
Transformer Ensemble
Cross-modal mineralization targeting & scoring Focalización y puntuación de mineralización multi-modal
// 01 fusion

Fuse any measured dataset Fusiona cualquier dataset medido

A unified geospatial schema ingests seismic, well, satellite, LiDAR — and any future sensor — without re-architecting. Un esquema geoespacial unificado ingiere sísmica, pozos, satélite, LiDAR — y cualquier sensor futuro — sin re-arquitectura.

// 02 pipelines

Defensible data pipelines Pipelines de datos defendibles

Years of cleaned, labeled subsurface data create a model-quality advantage that compounds with every customer deployment. Años de datos del subsuelo limpios y etiquetados crean una ventaja de calidad que se acumula con cada despliegue.

// 03 ip

Vertical AI, not a wrapper IA vertical, no un wrapper

Models trained specifically on geophysical signal — not generic foundation models reused for everything. Modelos entrenados específicamente con señal geofísica — no modelos genéricos reutilizados para todo.

MINELUZ
08 / 12

SaaS at the base.
Enterprise & government on top.
SaaS como base.
Empresa y gobierno encima.

// Basic
$19/mo
  • Single-user workstationEstación individual
  • Core ingestion + modelsIngesta y modelos base
  • Web dashboardPanel web
  • Standard exportsExportaciones estándar
// Business
$29/mo
  • Team workspacesEspacios de equipo
  • Full model suiteSuite completa de modelos
  • ArcGIS / QGIS integrationIntegración ArcGIS / QGIS
  • Priority supportSoporte prioritario
// Enterprise
$49/mo
  • Custom API accessAcceso a API personalizada
  • On-prem deploymentDespliegue on-prem
  • White-glove onboardingOnboarding personalizado
  • Custom model trainingEntrenamiento de modelo a medida
// Strategic
Enterprise & Government Empresa y Gobierno
  • Major mining group contractsContratos con grupos mineros
  • Government survey programsProgramas gubernamentales de estudio
  • Multi-year licensingLicenciamiento multianual
  • Sovereign data residencyResidencia soberana de datos
// Recurring revenue, software margins, capital-efficient scale. // Ingresos recurrentes, márgenes de software, escala eficiente en capital.
MINELUZ
09 / 12

Three partnership pillars.
Three buyer profiles.
Tres pilares de alianza.
Tres perfiles de comprador.

// pillar 01

AI-powered data integration Integración de datos con IA

Co-build connectors with the platforms our customers already run — turning Mineluz into the default analysis layer above their existing stack. Co-construimos conectores con las plataformas que nuestros clientes ya usan — convirtiendo a Mineluz en la capa de análisis sobre su stack actual.

// pillar 02

Seismic analytics innovation Innovación en analítica sísmica

Joint R&D with seismic acquisition vendors — our models tuned to the highest-fidelity signal sources in the industry. I+D conjunta con proveedores de adquisición sísmica — nuestros modelos ajustados a las fuentes de señal de mayor fidelidad.

// pillar 03

3D mapping & visualization Mapeo y visualización 3D

Partnerships with GIS & geospatial visualization providers so customers consume Mineluz outputs in tools they already trust. Alianzas con proveedores GIS y de visualización geoespacial para que el cliente consuma Mineluz en herramientas que ya confía.

// target customers // clientes objetivo
Major mining groups Grupos mineros principales
Energy clients Clientes de energía
Government contracts Contratos gubernamentales
MINELUZ
10 / 12

Operators who have shipped
complex software at scale.
Operadores que han lanzado software
complejo a gran escala.

LP
Lisa Palleson, PhD
CEO & Co-Founder CEO y Cofundadora
Serial tech entrepreneur. PhD in International Business. Previously led global cybersecurity & health firms across multiple continents. Emprendedora tecnológica en serie. Doctorada en Negocios Internacionales. Anteriormente dirigió firmas globales de ciberseguridad y salud en varios continentes.
XH
Xiulan Huang, CPA, CA
CFO CFO
15+ years in audit & CFO roles. Deep expertise across IFRS / ASPE, M&A, and financial controls for high-growth technical companies. Más de 15 años en auditoría y roles de CFO. Experta en IFRS / ASPE, fusiones y adquisiciones, y controles financieros en empresas técnicas de alto crecimiento.
// engineering & geoscience // ingeniería y geociencia
David E. Orton Shubh Arya Joel Stallan Hritik Jain
MINELUZ
11 / 12

Where capital goes. Hacia dónde va el capital.

Four deployment buckets — engineered to compound model quality, pipeline coverage, and contracted revenue in parallel. Cuatro frentes de despliegue — diseñados para acumular calidad de modelo, cobertura de pipeline e ingresos contratados en paralelo.

// 01

AI model development & data acquisition Desarrollo de modelos IA y adquisición de datos

New model architectures, expanded labeled datasets, and strategic data partnerships. Nuevas arquitecturas de modelos, datasets etiquetados ampliados y alianzas estratégicas de datos.

// 02

Team expansion Expansión del equipo

Engineering, geology, and sales hires across Vancouver HQ and key field markets. Contrataciones en ingeniería, geología y ventas en la sede de Vancouver y mercados clave.

// 03

Sales & marketing Ventas y marketing

Direct outreach to mining groups, energy buyers, and government contract programs. Contacto directo con grupos mineros, compradores de energía y programas de contratación gubernamental.

// 04

Infrastructure & cloud Infraestructura y nube

Compute, storage, and on-prem options to scale the SaaS platform across regions. Cómputo, almacenamiento y opciones on-prem para escalar la plataforma SaaS por región.

MINELUZ
12 / 12

If the earth has measured it,
we can model it.
Si la tierra lo ha medido,
nosotros lo podemos modelar.

A future where every drill bit, every grant, every public mineral commitment is informed by a model — not a guess. Mineluz is building that layer for the world's measured earth. Un futuro donde cada perforación, cada subvención y cada compromiso mineral público se apoye en un modelo — no en una conjetura. Mineluz está construyendo esa capa para la tierra medida del mundo.