SCULPT: An Interactive Machine Learning Platform for Analyzing Multi-Particle Coincidence Data from Cold Target Recoil Ion Momentum Spectroscopy

El artículo presenta SCULPT, una plataforma interactiva de aprendizaje automático basada en la web que utiliza técnicas avanzadas como UMAP y puntuación de confianza adaptativa para analizar datos de coincidencia de múltiples partículas de alta dimensión procedentes de experimentos COLTRIMS, permitiendo así el descubrimiento eficiente de eventos raros y correlaciones en física atómica y molecular.

Lo esencial

Imagina que eres un detective tratando de resolver un crimen, pero en lugar de tener unos pocos testigos, tienes millones de ellos, y todos están hablando un idioma diferente al mismo tiempo. Este es el desafío que enfrentan los científicos al estudiar cómo se desintegran las moléculas.

El Problema: Una Multitud Caótica
En experimentos llamados "Espectrometría de Momento de Iones de Retroceso de Objetivo Frío" (COLTRIMS), los científicos disparan partículas contra moléculas para observar cómo se fragmentan. Cuando una molécula como el agua se descompone, no se divide simplemente en dos piezas; puede explotar en cinco o más piezas (iones y electrones) todas a la vez.

Cada "explosión" individual genera una cantidad masiva de datos. Para un solo evento, la computadora registra la velocidad y la dirección de cada pieza. Si sumas todos los ángulos, energías y velocidades, terminas con una lista de 50 o más números para cada evento individual. Cuando tienes millones de estos eventos, es como intentar encontrar un patrón específico en un huracán de datos. Los métodos tradicionales son como mirar el huracán a través de una cerradura; solo ves una o dos dimensiones a la vez, perdiendo la imagen general de cómo se relacionan las piezas entre sí.

La Solución: SCULPT
Los autores de este artículo presentan una nueva herramienta de software llamada SCULPT (Agrupamiento Supervisado y Descubrimiento de Patrones Latentes con Entrenamiento). Piensa en SCULPT como un generador de mapas 3D inteligente e interactivo que ayuda a los científicos a navegar este huracán de datos.

Así es como funciona, usando analogías simples:

1. El "Mapa Mágico" (UMAP)

Imagina que tienes una pila gigante y desordenada de canicas de colores. Algunas son rojas, algunas azules, algunas verdes, pero todas están mezcladas en una caja de 50 dimensiones que no puedes ver. Quieres ordenarlas por color.
SCULPT utiliza una técnica llamada UMAP para aplanar esta caja de 50 dimensiones en un mapa 2D simple (como una hoja de papel plana).

• La Magia: No solo aplasta los datos; organiza inteligentemente las canicas para que las similares (las que se desintegraron de manera similar) terminen una al lado de la otra, mientras que las diferentes permanezcan lejos. De repente, puedes ver "islas" distintas de colores que antes estaban ocultas en el caos.

2. El "Medidor de Confianza" (Puntuación de Confianza)

Cuando miras un mapa, ¿cómo sabes que las islas son reales y no solo un truco de la luz?
SCULPT incluye un Medidor de Confianza. No solo te muestra el mapa; calcula una puntuación para decirte: "Oye, estos grupos son muy distintos", o "Ten cuidado, estos grupos podrían estar superpuestos".

• Verifica el mapa usando varias reglas diferentes (como comprobar si las islas están bien agrupadas o si están claramente separadas del espacio vacío).
• Combina estas comprobaciones en una sola puntuación. Si la puntuación es alta, el científico sabe: "Bien, puedo confiar en esta agrupación". Si es baja, saben que deben probar un ángulo diferente.

3. El "Filtro" (Limpieza de los Datos)

A veces, los datos son demasiado ruidosos, como intentar escuchar un susurro en un estadio lleno de gente.
SCULPT permite a los científicos actuar como ingenieros de sonido. Pueden usar filtros para:

• Acercar: Enfocarse solo en las voces más fuertes (los eventos más comunes).
• Afinar la frecuencia: Ignorar el ruido de fondo y escuchar solo tipos específicos de sonidos (niveles de energía o ángulos específicos).
  Esto les ayuda a aislar eventos raros que podrían estar ocultos en la multitud.

4. El "Piloto Automático" (Programación Genética)

A veces, los científicos no saben qué números buscar para resolver el rompecabezas.
SCULPT tiene una función que actúa como un piloto automático para el descubrimiento. Puede mezclar y combinar automáticamente diferentes números (como combinar "velocidad" con "ángulo") para ver si emerge un nuevo patrón oculto. Es como un chef que sigue probando nuevas combinaciones de especias hasta encontrar la receta perfecta que hace resaltar los sabores.

La Prueba del Mundo Real: La Molécula de Agua

Para demostrar que funciona, el equipo utilizó SCULPT para analizar datos de D2O (una versión pesada del agua).

• El Objetivo: Querían separar las diferentes formas en que la molécula de agua podía desintegrarse. Había 8 "estados cuánticos" diferentes (diferentes formas en que la molécula podía estar vibrando o girando antes de romperse).
• El Resultado: Los métodos tradicionales tuvieron dificultades para separar estos 8 estados porque sus datos parecían muy similares. Sin embargo, SCULPT logró mapearlos con éxito. Descubrió que algunos estados se ocultaban dentro de la misma "isla" en el mapa. Al utilizar el Medidor de Confianza y volver a mapear secciones específicas, el software los separó, revelando claramente los 8 estados distintos.

Por Qué Esto Es Importante

SCULPT es como dar a los científicos un microscopio de alta tecnología para los datos. En lugar de pasar semanas ordenando manualmente millones de números, pueden explorar interactivamente los datos, encontrar patrones ocultos y confiar en los resultados inmediatamente. Convierte una montaña de números confusos en un paisaje claro y navegable, permitiendo a los investigadores detectar eventos raros e importantes que antes eran invisibles.

El software es abierto y basado en la web, lo que significa que cualquier científico puede usarlo sin necesidad de ser un experto en informática, haciendo que el complejo mundo de la física molecular sea mucho más accesible.

Resumen técnico

Resumen Técnico: SCULPT – Una Plataforma Interactiva de Aprendizaje Automático para el Análisis de Datos COLTRIMS

Enunciado del Problema
La Espectroscopía de Momento de Iones de Retroceso de Objetivo Frío (COLTRIMS), o "microscopía de reacciones", permite mediciones cinemáticamente completas de procesos de fragmentación de múltiples partículas, generando conjuntos de datos de alta dimensión (a menudo con más de 50 características por evento, incluidos vectores de momento 3D, relaciones masa-carga y cantidades derivadas como la Liberación de Energía Cinética). Aunque es poderosa, el análisis de estos decenas de millones de eventos enfrenta desafíos significativos con los métodos tradicionales:

1. Limitaciones basadas en proyección: Reducir los datos a histogramas unidimensionales o bidimensionales a menudo oscurece correlaciones multidimensionales críticas.
2. Sesgo en el filtrado secuencial: Aplicar cortes en parámetros específicos puede introducir sesgos y ocultar patrones inesperados.
3. Ingeniería de características manual: La dependencia de la experiencia de dominio para construir observables puede pasar por alto relaciones no intuitivas.
4. Incompatibilidad de herramientas: Las herramientas existentes de aprendizaje automático (ML) carecen de restricciones informadas por la física, perfiles moleculares configurables y capacidades de exploración interactiva adaptadas a datos de espectroscopía de momento tabulados.

Metodología
Los autores presentan SCULPT (Agrupamiento Supervisado y Descubrimiento de Patrones Latentes con Entrenamiento), una plataforma web construida en Python y el framework Plotly Dash. Integra técnicas avanzadas de ML con análisis informado por la física mediante una arquitectura modular:

• Procesamiento de Datos y Características Físicas: El sistema permite a los usuarios definir perfiles moleculares (tipos de partículas, masas, cargas) sin modificar el código. Calcula automáticamente características físicas como energías cinéticas individuales de partículas, Liberación de Energía Cinética (KER), sumas/compartición de energía de electrones y ángulos interpartícula.
• Reducción de Dimensionalidad:
  • UMAP: La herramienta principal para la reducción de dimensionalidad no lineal. Construye una representación topológica de datos de alta dimensión, preservando tanto las relaciones de vecindad local como la estructura global. Se utiliza para revelar correlaciones no lineales entre componentes de momento y cantidades físicas derivadas.
  • Autoencoders Profundos: Una red neuronal simétrica (codificador-decodificador) implementada en PyTorch está disponible para el aprendizaje de características, comprimiendo los datos de entrada en un espacio latente de baja dimensión para capturar la varianza esencial en la dinámica de fragmentación.
• Descubrimiento de Características: La plataforma emplea Programación Genética utilizando regresión simbólica para descubrir combinaciones matemáticas interpretables de características de entrada, con el objetivo de encontrar relaciones no triviales que los parámetros físicos estándar podrían pasar por alto.
• Puntuación de Confianza Adaptativa: Un sistema novedoso proporciona evaluaciones cuantitativas de fiabilidad para los resultados de agrupamiento. Calcula una puntuación de confianza ponderada ($C$) basada en métricas seleccionadas por el usuario:
  • Nivel 1 (Alta Fiabilidad): Puntuación de Silueta (cohesión/separación) y Estadística de Hopkins (tendencia al agrupamiento).
  • Nivel 2 (Fiabilidad Moderada): Estabilidad del Grupo (mediante inyección de ruido), Consistencia Física (razones de varianza de parámetros físicos clave) e Índice de Calinski-Harabasz.
  • Nivel 3 (Baja Fiabilidad): Índice de Davies-Bouldin (fuertemente subponderado debido a su sensibilidad a formas de grupos no esféricas comunes en UMAP).
  • El sistema también rastrea la Relación de Ruido mediante agrupamiento DBSCAN y aplica bonificaciones de escalado asintótico para resultados excepcionales, mientras limita las puntuaciones en casos de fallos graves.
• Filtrado y Visualización Interactiva: Los usuarios pueden filtrar datos mediante selección de características, filtrado basado en densidad (eliminando valores atípicos dispersos en UMAP o espacio de características) y filtrado por parámetros físicos (por ejemplo, rangos específicos de KER). Las herramientas de selección interactiva (lazo, caja) permiten a los usuarios aislar eventos y reanalizar subconjuntos.

Contribuciones Clave

1. Integración de ML Informado por la Física: SCULPT cierra la brecha entre herramientas genéricas de ML y requisitos experimentales específicos al integrar UMAP con el cálculo automatizado de características físicas y sistemas moleculares configurables.
2. Evaluación Adaptativa de Fiabilidad: La introducción de un sistema de puntuación de confianza ponderado y multinivel aborda la falta de métricas de calidad objetivas en el análisis exploratorio de ML de datos científicos.
3. Flujo de Trabajo Iterativo y Guiado por Hipótesis: La plataforma permite un flujo de trabajo dinámico donde los usuarios pueden refinar iterativamente subconjuntos de datos, ajustar características y reagrupar para aislar estados cuánticos o vías de reacción específicos, guiados tanto por la inspección visual como por puntuaciones cuantitativas.
4. Descubrimiento Automatizado de Características: La inclusión de programación genética permite el descubrimiento automatizado de combinaciones matemáticas de características que mejoran la separación de grupos más allá de los observables físicos estándar.

Resultados: Estudio de Caso de Doble Ionización de D2O
La plataforma se validó utilizando un conjunto de datos de ~1,9 millones de eventos de coincidencia de la foto-doble ionización de D$_2$O (61 eV), resultando en D$^+$ + D$^+$ + O + 2e$^-$. La verdad fundamental consistía en ocho estados cuánticos distintos de dicatión.

• Análisis Inicial: Una proyección UMAP inicial utilizando KER, energía total de electrones, energía total y ángulos ion-ion identificó cinco grupos. Dos grupos contenían estados cuánticos individuales, mientras que tres estaban mezclados.
• Refinamiento Iterativo: Al aislar grupos mezclados y volver a ejecutar UMAP con conjuntos de características optimizados, los autores separaron con éxito los estados restantes. Por ejemplo, un grupo que contenía tres estados se dividió en dos, y posteriormente en estados individuales, aumentando la puntuación de confianza de 0,70 a 0,79 a medida que la separación se volvía físicamente distinta.
• Rendimiento de Métricas: El sistema de puntuación de confianza demostró ser efectivo; las puntuaciones altas se correlacionaron con una separación física exitosa, mientras que las puntuaciones bajas (por ejemplo, 0,14) indicaron correctamente una separación deficiente cuando se eligieron características subóptimas. El sistema manejó con éxito casos donde los estados cuánticos tenían firmas cinemáticas superpuestas (por ejemplo, los estados 3B$_1$ y 1B$_1$ compartiendo KER similar), utilizando la estadística de Hopkins para validar la tendencia subyacente al agrupamiento a pesar de puntuaciones de silueta modestas.

Significado y Afirmaciones
El artículo afirma que SCULPT representa un avance significativo en el análisis de datos de coincidencia de múltiples partículas, permitiendo a los investigadores extraer información detallada de datos de alta dimensión de manera más eficiente que las herramientas establecidas.

• Accesibilidad: El diseño modular basado en web hace que el análisis avanzado de ML sea accesible para la comunidad más amplia de física atómica y molecular, reduciendo el tiempo requerido para análisis multidimensionales complejos.
• Detección de Eventos Raros: La plataforma facilita la identificación y aislamiento en tiempo real de eventos raros que exhiben correlaciones no lineales, guiando potencialmente la exploración experimental y mejorando la eficiencia.
• Potencial Futuro: Los autores sugieren que la plataforma sienta las bases para el descubrimiento impulsado por IA en la dinámica cuántica de múltiples partículas. Proponen la integración futura de simulaciones de "gemelos digitales" y capacidades basadas en agentes para identificar autónomamente comportamientos de disociación no estándar (como el "mecanismo de honda" en estados de dicatión de agua) que violan la aproximación de retroceso axial, los cuales son difíciles de detectar mediante análisis manual tradicional.
• Impacto Amplio: Aunque se centra en COLTRIMS, los autores postulan que el enfoque de combinar reducción de dimensionalidad con restricciones específicas del dominio podría beneficiar a otros campos que tratan con grandes conjuntos de datos tabulados de múltiples parámetros, como la ciencia de la información cuántica, la industria farmacéutica y la aeroespacial.

El trabajo se presenta como una herramienta para apoyar, en lugar de reemplazar, la intuición física, proporcionando una vía basada en datos para validar e interpretar resultados experimentales complejos.