Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion

Imagina que eres un maestro chef intentando inventar la receta perfecta. Tienes una despensa llena de ingredientes y quieres mezclarlos de todas las formas posibles para encontrar el plato que sepa mejor. Pero aquí está el truco: el número de combinaciones posibles es tan enorme que, si intentaras cocinar y probar cada una de ellas, estarías en la cocina el resto de tu vida. Este es exactamente el problema que enfrentan los científicos al diseñar nuevos materiales. Ellos tienen una "despensa" de opciones de diseño, como la forma de una estructura microscópica, y quieren encontrar la que sea más fuerte o ligera. Para ayudar, utilizan computadoras y algoritos inteligentes (llamados aprendizaje automático o machine learning) para adivinar qué recetas funcionarán sin tener que cocinarlas primero. Sin embargo, estas computadoras inteligentes generalmente necesitan probar un poco de cada tipo de receta para aprender bien. En el mundo real, los científicos a menudo solo prueban las recetas que son más fáciles o baratas de hacer, dejando enormes vacíos en su conocimiento. Este artículo explora una nueva y astuta forma de llenar esos vacíos para que podamos encontrar los mejores diseños de materiales más rápido, incluso cuando nuestros datos son desordenados e incompletos.

Los investigadores detrás de este estudio, Shaan Pakala y su equipo, abordaron el desafío de diseñar "estructuras de red" (lattice structures). Piensa en estas no como bloques sólidos de metal, sino como intrincados panales de abeja en 3D o andamios hechos de diminutos puntales. Estas estructuras son asombrosas porque pueden ser increíblemente fuertes mientras son muy ligeras, lo cual es perfecto para cosas como aviones o implantes médicos. El equipo quería encontrar la versión óptima de estas redes: la que ofrece el mejor rendimiento mecánico (cómo maneja la fuerza) para su peso.

Normalmente, los científicos utilizan herramientas de aprendizaje automático para predecir cómo se desempeñará un nuevo diseño. El artículo explica que estas herramientas funcionan de maravilla cuando los datos de entrenamiento (los ejemplos de los que aprende la computadora) están distribuidos uniformemente, como si se espolvoreara azúcar de forma aleatoria sobre todo un pastel. Pero en la vida real, los científicos suelen muestrear de forma desigual. Tal vez solo prueban diseños que son fáciles de construir en su laboratorio, o diseños que son baratos de fabricar. Esto crea datos "sesgados", donde la computadora ve claramente algunas partes del espacio de diseño pero es ciega a otras. Los autores descubrieron que los métodos estándar de aprendizaje automático, como los Procesos Gaussianos y XGBoost, tienen dificultades cuando los datos están sesgados; tienden a confundirse o a sobreajustarse (overfit) a los diseños específicos que han visto, fallando al intentar adivinar el rendimiento de los diseños no vistos.

Para resolver esto, el equipo propuso un enfoque diferente: tratar el problema de diseño como un gigantesco rompecabezas multidimensional llamado "completitud de tensores" (tensor completion). Imagina un Cubo de Rubik, pero en lugar de solo colores, cada pequeño cubo contiene un número que representa la resistencia de un material. Si solo conoces los números en las caras exteriores (porque esos son los diseños que probaste), la completitud de tensores es un truco matemático de magia que puede descubrir los números ocultos dentro del cubo. Los investigadores convirtieron sus diseños de materiales en estos rompecabezas multidimensionales, donde cada lado del rompecabezas representaba una variable de diseño diferente. Luego, utilizaron algoritmos para completar las piezas faltantes basándose en los patrones que encontraron en las piezas conocidas.

El equipo probó este método simulando un escenario en el que un experimentador solo probaba diseños en una región específica y conveniente del espacio de búsqueda, dejando el resto inexplorado. Compararon este método de "completitud de tensores" con las herramientas estándar de aprendizaje automático. Los resultados mostraron que, mientras que las herramientas estándar funcionaban bien cuando los datos estaban distribuidos uniformemente, el método de completitud de tensores era mucho mejor para manejar los datos sesgados e irregulares. De hecho, cuando los datos estaban sesgados, el método de tensores mejoró la precisión (medida por una puntuación R²) en aproximadamente un 5% en comparación con el mejor método tradicional. También fue capaz de predecir el rendimiento de los diseños no vistos sin confundirse por el muestreo desigual.

El artículo sugiere que este enfoque es una herramienta poderosa para los científicos de materiales. No afirma haber resuelto todo el problema del diseño de materiales, pero muestra que, al ver el problema como un rompecabezas para ser completado en lugar de solo una lista de puntos de datos para memorizar, podemos hacer mejores conjeturas sobre nuevos materiales. Esto es especialmente útil cuando no podemos probar cada una de las posibilidades. Los autores concluyen que la completitud de tensores podría ser un prometedor "modelo sustituto" (surrogate model) —un sustituto inteligente para experimentos físicos costosos— para ayudar a acelerar la búsqueda de las estructuras de red perfectas, a medida que el número de posibles diseños crece exponencialmente. Incluso han hecho público su código para que otros puedan probarlo y ver si funciona para sus propios rompecabezas de materiales.