1.一种基于成矿规律构建深度学习损失函数的方法，其特征在于，包括以下步骤：S1、制作岩体边界缓冲区；

S2、构建矿床分布密度与缓冲区距离幂律函数；

S3、构建不同缓冲区对矿床的约束权重；

S4、基于约束权重构建物理约束损失函数，并将物理约束损失函数以正则化项添加到原始深度学习损失函数中。

2.根据权利要求1所述的基于成矿规律构建深度学习损失函数的方法，其特征在于，所述S1中选取与热液型矿床相关的控矿要素，根据矿床所在区域的地质特征，确定控矿要素的可能影响范围，从而确定缓冲区的间距和缓冲距离，制作缓冲区。

3.根据权利要求1所述的基于成矿规律构建深度学习损失函数的方法，其特征在于，所述S2分别统计落在各层缓冲区上的矿床数，并计算累计矿床数n和矿床分布密度ρ，ρ＝n/d；

其中d代表缓冲区的宽度，以缓冲区宽度d为横坐标，矿床空间分布密度ρ为纵坐标作双对数–a

散点图，矿床分布密度与缓冲区距离幂律函数ρ＝cx ，其中，c为常数，a为分形维数。

4.根据权利要求1所述的基于成矿规律构建深度学习损失函数的方法，其特征在于，所–a

述S3中根据不同缓冲区对矿床形成控制程度不同，对缓冲区赋予权重w，w＝cx /ρmax，c为常数，a为分形维数，ρmax为矿床分布密度与缓冲区距离幂律函数的最大值；即离控矿要素越近的区域，成矿的潜力越大，权重越大；离控矿要素越远的区域，成矿的潜力越小，权重越小。

5.根据权利要求1所述的基于成矿规律构建深度学习损失函数的方法，其特征在于，所述S4中构建的基于物理约束的损失函数Lossp表达式为：i i i

其中，x 为位置i处地球化学原始数据，f(x)为x的重构数据， 为位置i处的权重，如果研究区某位置出现物理非一致性预测，则对该位置基于权重 设置不同程度的误差惩罚项，如离控矿要素越近的区域出现物理非一致性预测，通过此损失函数设置较小的误差惩罚项；反之，离控矿要素越远的区域出现物理非一致性预测，通过此损失函数设置较大的误差惩罚项。

6.根据权利要求1所述的基于成矿规律构建深度学习损失函数的方法，其特征在于，所述原始深度学习损失函数Losstotal＝Lossvae+λLossp，Lossp为物理约束的损失函数，Lossvae为原始变分自编码网络的损失函数，通过正则项系数λ，权衡原有深度学习模型重构误差损失函数和物理约束损失函数之间比重，进而对物理非一致预测做出惩罚。