Noise-Aware Optimization in Nominally Identical Manufacturing and Measuring Systems for High-Throughput Parallel Workflows

Resumen Técnico: Optimización Consciente del Ruido en Sistemas de Manufactura y Medición Nominalmente Idénticos

Planteamiento del Problema
El artículo aborda una barrera crítica para la escalabilidad de los flujos de trabajo experimentales automatizados y de alto rendimiento, tales como las granjas de fabricación aditiva: la variabilidad de ruido de dispositivo a dispositivo en experimentos. Si bien la automatización acelera el descubrimiento científico al permitir la experimentación en paralelo, la suposición de que los dispositivos "nominalmente idénticos" (mismo modelo, marca y proximidad de número de serie) se comportan estadística e idénticamente es a menudo falsa. Variaciones sutiles en la instrumentación, el entorno o la fabricación inducen perfiles de ruido distintos entre dispositivos. Los enfoques tradicionales que asumen homogeneidad o que diseñan soluciones robustas genéricas corren el riesgo de sesgar los resultados, socavar la reproducibilidad y no optimizar el rendimiento. En aplicaciones a gran escala, como la impresión 3D arquitectónica, la variabilidad de ruido no mitigada puede conducir a fallos estructurales o económicos. Los métodos existentes a menudo dependen de mediciones repetidas que consumen demasiados recursos o no logran aprovechar explícitamente las diferencias entre dispositivos para mejorar la eficiencia.

Metodología
Los autores proponen un algoritmo de toma de decisiones consciente del ruido que selecciona dinámicamente entre estrategias de optimización bayesiana (BO) de un solo dispositivo y de múltiples dispositivos basándose en el paisaje de ruido cuantificado. El flujo de trabajo procede de la siguiente manera:

1. Recolección Inicial de Datos: Se recopila un conjunto de datos inicial robusto a través de múltiples dispositivos nominalmente idénticos, incluyendo ejecuciones experimentales repetidas para capturar la variabilidad inherente.
2. Análisis y Caracterización del Ruido: El sistema emplea un enfoque estadístico multifacético para caracterizar el ruido:
   • Análisis Distribucional: Se utilizan desviaciones estándar, diagramas de caja y Estimaciones de Densidad de Núcleo (KDE) para visualizar las diferencias sistemáticas y las magnitudes de la variabilidad.
   • Agrupamiento (Clustering): Se aplica el agrupamiento K-means a vectores de características que comprenden la media ($\mu$), la desviación estándar ($\sigma$) y la varianza ($v$) de las mediciones para identificar regímenes de ruido distintos.
   • Métricas de Divergencia por Pares: El algoritmo calcula métricas de disimilitud cuantitativa entre pares de dispositivos, incluyendo el estadístico de Kolmogorov-Smirnov (KS), la divergencia de Kullback-Leibler (KL), la distancia de Wasserstein y la distancia de Bhattacharyya.
3. Criterios de Decisión: El algoritmo evalúa las métricas de divergencia frente a umbrales predefinidos (por ejemplo, KS > 0.5, KL > 5, Bhattacharyya < -2).
   • Alta Variabilidad: Si las métricas indican una divergencia significativa y un agrupamiento distinto, el sistema selecciona la Optimización de un Solo Dispositivo, tratando cada dispositivo individualmente para dar cuenta de sus comportamientos estadísticos únicos.
   • Baja Variabilidad: Si las métricas muestran un solapamiento sustancial y una baja divergencia, el sistema selecciona la Optimización de Múltiples Dispositivos, agrupando los datos de todos los dispositivos para mejorar la eficiencia estadística.
4. Implementación de la Optimización Bayesiana: El estudio utiliza gpCAM (v8.1.6) con sustitutos de Procesos Gaussianos (GP) utilizando un núcleo Matérn anisotrópico. La estrategia de adquisición transiciona de la Mejora Esperada (EI) a la explotación pura (maximización de la media posterior) después de 11 iteraciones.

Resultados Clave
La metodología fue validada mediante un caso de estudio que involucró tres impresoras de pellets Direct3D nominalmente idénticas optimizando el peso de especímenes termoplásticos mediante el ajuste de la altura de capa y el flujo de extrusión.

• Caracterización del Ruido: A pesar de tener especificaciones de hardware idénticas, las impresoras exhibieron perfiles de ruido distintos. La Impresora 1 (P1) mostró el ruido más bajo, mientras que la Impresora 3 (P3) presentó el ruido de la mediana más alto y la mayor variabilidad. El análisis de agrupamiento confirmó grupos distintos (Clúster 0 para bajo ruido, Clúster 1 para alto ruido), y las métricas de divergencia por pares (KS hasta 0.83, KL hasta 15.15) indicaron diferencias inter-dispositivo sustanciales.
• Desempeño de la Optimización:
  • Enfoque de Múltiples Dispositivos: Cuando se agruparon los datos de las tres impresoras, la optimización no logró alinear consistentemente los resultados individuales con el objetivo. El modelo agregado exhibió una dispersión persistente y un sesgo sistemático, con métricas de error (RMSE, MAE) que se estancaron o aumentaron tras el cambio a la explotación pura.
  • Enfoque de un Solo Dispositivo: Al optimizar cada impresora de forma independiente, el sistema logró una convergencia rápida hacia el peso objetivo para todos los dispositivos. Las mediciones experimentales y las predicciones del modelo se alinearon estrechamente, y los sesgos sistemáticos fueron mitigados eficazmente.
• Validación: Los resultados confirmaron que los criterios de decisión identificaron correctamente el escenario de alta variabilidad, justificando el cambio a la optimización de un solo dispositivo. Este enfoque produjo una precisión y fiabilidad superiores en comparación con la estrategia robusta de múltiples dispositivos en este contexto específico.

Significancia y Reivindicaciones
El artículo afirma establecer un paradigma para la optimización consciente de la precisión y los recursos en plataformas experimentales automatizadas y escalables. Su contribución principal es un marco que cierra la brecha entre la optimización específica de un dispositivo y la robustez agnóstica. Al caracterizar y modelar explícitamente el ruido inter-dispositivo, el algoritmo evita las trampas de asumir la homogeneidad, al tiempo que evita la ineficiencia de tratar a todos los dispositivos como únicos cuando no lo son.

Los autores enfatizan que este enfoque:

• Mejora la Reproducibilidad: Al adaptar la estrategia de optimización al paisaje de ruido real, evita el sesgo introducido por el ruido de instrumentos cruzados no modelado.
• Mejora la Eficiencia: Reduce el uso redundante de recursos al seleccionar la estrategia óptima (único vs. múltiple) basada en los datos en lugar de heurísticas.
• Escala con Cautela: Aunque el método es efectivo para flotas pequeñas a medianas, los autores señalan que la complejidad computacional de la divergencia por pares escala cuadráticamente, lo que sugiere la necesidad de un análisis de subconjuntos en despliegues de escala mucho mayor.

El estudio concluye que integrar la conciencia del ruido en los flujos de trabajo de optimización es esencial para alcanzar todo el potencial del descubrimiento automatizado, asegurando que el aumento del rendimiento no se produzca a costa de la precisión. Se sugiere como trabajo futuro aprovechar la analítica de ruido en tiempo real para la calibración dinámica y el mantenimiento predictivo, cerrando aún más la brecha entre la precisión y la escalabilidad.