Unsupervised Machine-Learning Pipeline for Data-Driven Defect Detection and Characterisation: Application to Displacement Cascades

Este trabajo presenta un flujo de trabajo de aprendizaje automático no supervisado que utiliza vectores SOAP, autoencoders, UMAP y HDBSCAN para detectar, clasificar y cuantificar automáticamente los defectos estructurales generados en cascadas de desplazamiento sin necesidad de ajuste de umbrales ni plantillas.

Lo esencial

Imagina que tienes un edificio de ladrillos perfecto (un material sólido) y de repente, un camión gigante (una partícula de radiación) choca contra él a toda velocidad. El impacto no solo rompe el camión, sino que lanza ladrillos por todas partes, creando agujeros donde faltan piezas y montones de ladrillos amontonados en lugares extraños. En el mundo de los materiales, esto se llama una "cascada de desplazamiento" y es lo que ocurre dentro de los reactores nucleares cuando son bombardeados por neutrones.

El problema es que estos "ladrillos rotos" (defectos) son diminutos, aparecen en picosegundos (una billonésima de segundo) y son miles de millones. Para los científicos, encontrarlos y entenderlos es como intentar encontrar una aguja en un pajar, pero el pajar es un edificio entero y la aguja es invisible a simple vista.

Aquí es donde entra este artículo. Los autores han creado un sistema de inteligencia artificial (IA) totalmente automático que actúa como un detective superpoderoso para encontrar y clasificar estos defectos sin necesidad de que un humano le diga qué buscar.

Aquí te explico cómo funciona su "detective" paso a paso, usando analogías sencillas:

1. La Huella Digital Atómica (SOAP)

Primero, el sistema necesita saber cómo se ve un ladrillo "normal". Imagina que le pides a cada átomo que se tome una selfie de su entorno inmediato.

• La analogía: Es como si cada átomo describiera a sus vecinos: "Tengo 12 vecinos a mi alrededor, todos en posiciones perfectas". Esta descripción se convierte en una "huella digital" matemática llamada SOAP.
• El truco: El sistema aprende cómo se ve la huella digital de un átomo feliz y normal en un material sano.

2. El Detective con Memoria Perfecta (Autoencoder)

Aquí entra la primera parte de la IA, llamada Autoencoder. Imagina a un artista que ha visto millones de fotos de gatos perfectos. Si le muestras una foto de un gato, él puede dibujarla de memoria.

• Cómo funciona: Entrenamos al artista (la red neuronal) solo con fotos de átomos "normales" (sin defectos). El artista aprende a reconstruir la imagen de un átomo normal tan bien que es perfecto.
• La detección: Luego, le mostramos átomos del material dañado. Si el átomo está en un agujero o aplastado, su "huella digital" es rara. El artista intenta dibujarlo basándose en lo que aprendió de los gatos normales, pero falla estrepitosamente. El dibujo sale mal.
• El resultado: Esa "mala copia" (el error de reconstrucción) es la señal de alarma. El sistema dice: "¡Oye! Este átomo no se parece a los normales que conocía. ¡Es un sospechoso!". Así, el sistema identifica automáticamente a los átomos que están rotos o en problemas.

3. El Mapa del Tesoro (UMAP)

Una vez que el detective ha encontrado a miles de "sospechosos" (átomos defectuosos), tiene una lista gigante y desordenada. Necesita organizarlos.

• La analogía: Imagina que tienes una caja llena de frutas mezcladas (manzanas, peras, plátanos) y quieres separarlas. Pero en lugar de verlas, tienes que usar un mapa que las agrupe por "sabor" o "textura".
• La herramienta: Usan una técnica llamada UMAP que toma esos datos complejos y los aplana en un mapa de 2D. En este mapa, los átomos que son similares (por ejemplo, todos los que forman un agujero pequeño) se agrupan juntos, y los que son diferentes (como un montón de átomos apilados) se van a otro lado. Es como si el sistema dibujara un mapa donde los "ladrones de ladrillos" se sientan en una mesa y los "agrupadores de ladrillos" en otra.

4. El Organizador de Grupos (HDBSCAN)

Finalmente, el sistema necesita poner nombres a estos grupos.

• La analogía: Imagina que en el mapa del tesoro ves que hay un grupo de personas con sombreros rojos y otro con sombreros azules. El algoritmo HDBSCAN es como un organizador de fiesta que dice: "Estos de aquí son un grupo, y esos de allá son otro".
• El resultado: El sistema clasifica los defectos automáticamente. Descubre, por ejemplo:
  • Grupo A: Átomos que rodean un agujero vacío (como una jaula vacía).
  • Grupo B: Átomos que forman una "doble cabeza" (dos átomos apretados donde solo debería haber uno).
  • Grupo C: Grandes montones de átomos amontonados.

¿Por qué es esto tan importante?

1. No necesita un manual: A diferencia de los métodos antiguos que requerían que un científico dijera "busca agujeros de este tamaño" o "busca este tipo de forma", esta IA aprende sola. No necesita saber de antemano qué defectos existen; simplemente encuentra lo que es "raro".
2. Es un superpoder para los reactores: Al entender exactamente qué tipos de defectos se crean en los materiales (como el acero inoxidable o el circonio) cuando son irradiados, los ingenieros pueden diseñar materiales más resistentes para que los reactores nucleares duren más y sean más seguros.
3. Complementa a los viejos métodos: Los métodos tradicionales a veces se pierden en el caos o son muy estrictos. Esta IA actúa como una red de seguridad que atrapa todo lo que los otros métodos podrían haber dejado pasar, especialmente estructuras complejas y raras.

En resumen:
Los autores han creado un sistema de vigilancia inteligente que mira a los átomos, aprende cómo se comportan cuando están sanos, y luego grita "¡ALERTA!" cuando algo se sale de lo normal. Luego, organiza automáticamente a los "culpables" en grupos para que los científicos sepan exactamente qué tipo de daño ha sufrido el material. Es como tener un médico forense que puede diagnosticar la salud de un material a nivel atómico sin necesidad de que nadie le explique qué enfermedad buscar.

Resumen técnico

Título: Pipeline de Aprendizaje No Supervisado para la Detección y Caracterización de Defectos Basada en Datos: Aplicación a Cascadas de Desplazamiento

1. Problema

La irradiación por neutrones en materiales estructurales (como los utilizados en reactores nucleares) genera "cascadas de desplazamiento" en escalas de tiempo de picosegundos. Estos eventos crean una diversidad de defectos atómicos (vacancias, intersticiales, bucles de dislocación, etc.) que definen el "daño primario" y determinan la evolución microestructural a largo plazo (endurecimiento, fragilización, hinchazón).

El desafío principal radica en la caracterización experimental y computacional de estos defectos:

• Los métodos convencionales de identificación de defectos (como el Parámetro de Centrosimetría - CS, Análisis de Vecinos Comunes - CNA, o Coincidencia de Plantillas Poliedricas - PTM) dependen de patrones topológicos predefinidos y bases de datos estructurales.
• Estos métodos a menudo fallan ante fluctuaciones térmicas, deformaciones complejas o defectos no representados en sus bases de datos.
• Además, muchos requieren un ajuste manual de umbrales y son costosos computacionalmente, lo que dificulta su escalabilidad en simulaciones de dinámica molecular (MD) a gran escala.

2. Metodología

Los autores proponen un flujo de trabajo completamente no supervisado que combina descriptores atómicos avanzados con técnicas de aprendizaje profundo y clustering. El pipeline consta de las siguientes etapas:

1. Codificación de Entornos Atómicos (SOAP):

   • Se utiliza el descriptor SOAP (Smooth Overlap of Atomic Positions) para codificar los entornos atómicos locales (LAE). Este descriptor es invariante a rotaciones, traslaciones e indexación atómica, generando un vector de "huella digital" para cada átomo.
   • Se aplican a sistemas FCC (Ni, FeNiCr) y HCP (Zr) con parámetros específicos para cada red cristalina.

2. Detección de Anomalías (Autoencoder - AE):

   • Se entrena una red neuronal Autoencoder utilizando exclusivamente datos de estructuras cristalinas perfectas (sin defectos).
   • El objetivo es aprender a comprimir y reconstruir los entornos atómicos "normales".
   • Al aplicar el AE a las simulaciones de cascadas, los átomos que pertenecen a entornos defectuosos (que se desvían de la distribución de entrenamiento) producen un error de reconstrucción (MSE) alto.
   • Se establece un umbral en el error de reconstrucción para clasificar átomos como "inliers" (normales) o "outliers" (defectuosos).

3. Reducción de Dimensionalidad (UMAP):

   • Los vectores SOAP de los átomos detectados como "outliers" se proyectan en un espacio latente de baja dimensión (2D) utilizando UMAP (Uniform Manifold Approximation and Projection).
   • UMAP preserva tanto las relaciones de vecindad locales como la estructura global, separando eficazmente diferentes tipos de defectos.

4. Agrupamiento No Supervisado (HDBSCAN):

   • Se aplica el algoritmo HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) sobre el espacio latente de UMAP.
   • Este algoritmo agrupa los outliers en "grupos" basados en la densidad, sin requerir un número predefinido de clusters, identificando formas arbitrarias y separando el ruido.

5. Validación y Análisis:

   • Los grupos resultantes se analizan visualmente y se comparan cuantitativamente con métodos convencionales (CS, DXA, PTM, VOR, CA) y con un análisis espacial de clusters para determinar la naturaleza (vacancia vs. intersticial) y el tamaño de los defectos.

3. Contribuciones Clave

• Marco totalmente no supervisado: Elimina la necesidad de etiquetas manuales o bases de datos de defectos predefinidos para la detección inicial.
• Adaptabilidad a diferentes estructuras cristalinas: El pipeline se valida exitosamente en sistemas FCC (Ni, FeNiCr) y HCP (Zr) sin cambios arquitectónicos mayores, solo ajustando los parámetros del descriptor SOAP.
• Identificación de motivos físicos complejos: Logra distinguir no solo defectos puntuales simples, sino también agregados extensos, "halos" de átomos alrededor de defectos y estructuras complejas como los motivos icosaédricos tipo A15.
• Herramienta de calibración cuantitativa: Establece correlaciones matemáticas (polinomios de segundo orden, $R^2 > 0.89$) entre el número de átomos "outliers" detectados por ML y el número neto de defectos (vacancias/intersticiales), permitiendo estimar el daño real a partir de la señal del ML.

4. Resultados

• Detección de Outliers: El Autoencoder identificó con éxito menos del 0.13% de los átomos como anómalos en cascadas de 80 keV, lo cual es consistente con la densidad de daño residual esperada.
• Clasificación de Defectos:
  • El 99.7% de los outliers fueron asignados a grupos compactos con significado físico.
  • Se identificaron grupos específicos para: jaulas de monovacancias, núcleos de intersticiales tipo "dumbbell", átomos de "halo" (primera capa), agregados grandes de vacancias e intersticiales, y estructuras icosaédricas (A15).
  • En el sistema HCP (Zr), el pipeline logró separar claramente defectos de vacancia e intersticial, algo difícil para métodos basados en simetría local.
• Comparación con Métodos Convencionales:
  • Precisión y Recall: El enfoque de ML mostró una alta concordancia con métodos de alta especificidad como DXA y CS (Recall > 0.70-0.90 en sistemas FCC), superando a PTM en la detección de estructuras distorsionadas.
  • Complementariedad: Mientras que PTM detecta el núcleo icosaédrico perfecto, el pipeline de ML captura la "cáscara" elástica distorsionada que lo rodea, ofreciendo una visión más completa de la morfología del defecto.
  • Independencia de Umbrales: A diferencia de los métodos tradicionales que requieren ajuste fino de parámetros, el flujo de trabajo ML es robusto y automático.
• Correlación de Tamaño: Se demostró que el tamaño del cluster en el espacio latente escala linealmente con el número neto de defectos, permitiendo cuantificar el daño.

5. Significado e Impacto

Este trabajo establece un marco eficiente y escalable para el mapeo cuantitativo de anomalías estructurales en materiales. Su importancia radica en:

• Automatización: Permite analizar grandes bases de datos de simulaciones de cascadas sin intervención humana, facilitando el estudio de la evolución de daños a largo plazo.
• Descubrimiento de Nuevos Motivos: Al ser no supervisado, puede revelar tipos de defectos o configuraciones atómicas que los métodos basados en plantillas pasarían por alto.
• Puente entre Escalas: Proporciona una descripción precisa del daño primario (niveles atómicos) que puede servir como entrada fiable para simulaciones a escalas superiores (como la dinámica de defectos a largo plazo).
• Versatilidad: La metodología es generalizable a cualquier material y tipo de simulación atómica, no limitándose solo a cascadas de irradiación, sino aplicable a cualquier estudio de desviaciones estructurales en materiales.

En resumen, los autores demuestran que la combinación de descriptores SOAP, Autoencoders, UMAP y HDBSCAN constituye una herramienta poderosa y robusta para la caracterización de defectos en materiales irradiados, superando las limitaciones de los métodos tradicionales de detección.