Quality-Controlled Active Learning via Gaussian Processes for Robust Structure-Property Learning in Autonomous Microscopy

Resumen Técnico: Aprendizaje Activo con Control de Calidad mediante Procesos Gaussianos para el Aprendizaje Robusto de Estructura-Propiedad en Microscopía Autónoma

Planteamiento del Problema
Los sistemas experimentales autónomos en la investigación de materiales tienen como objetivo acelerar el descubrimiento mediante ciclos de bucle cerrado que combinan instrumentación física y aprendizaje automático (ML). Sin embargo, su eficacia se ve frecuentemente comprometida por datos de baja calidad y con ruido. Este problema es particularmente agudo en las tareas de aprendizaje de estructura-propiedad, tales como las traducciones de Imagen-a-Espectro (Im2Spec) y de Espectro-a-Imagen (Spec2Im), donde las entradas y las etiquetas pueden sufrir una degradación localizada espacialmente debido al desplazamiento del instrumento, el desgaste de la punta o la inestabilidad ambiental.

Las estrategias estándar de aprendizaje activo (AL), que típicamente dependen de la estimación de la incertidumbre (por ejemplo, mediante procesos gaussianos) para seleccionar muestras informativas, suelen fallar en estos entornos con ruido. Estas tienden a interpretar erróneamente las mediciones de baja fidelidad y con ruido como altamente inciertas y, por lo tanto, altamente informativas. En consecuencia, estas estrategias priorizan la adquisición de datos de mala calidad, lo que confunde al modelo de aprendizaje, degrada el rendimiento y conduce a un muestreo ineficiente. Si bien trabajos previos han explorado el muestreo impulsado por la curiosidad y el aprendizaje multitarea, estos enfoques carecen a menudo de un mecanismo para filtrar explícitamente los datos que violan las restricciones físicas o que presentan relaciones señal-ruido bajas.

Metodología: Marco de Trabajo ActiveQC
Los autores proponen ActiveQC (Aprendizaje Activo con Control de Calidad), un marco de aprendizaje activo con compuerta diseñado para integrar la adquisición impulsada por la curiosidad con un filtro de control de calidad basado en la física. La metodología opera de la siguiente manera:

1. Métrica de Calidad Basada en la Física: El sistema utiliza el modelo de Oscilador Armónico Simple (SHO) para evaluar la fidelidad de los espectros de Espectroscopía de Piezorespuesta por Excitación de Banda (BEPS). Para cada espectro candidato, se ajusta el modelo SHO a todos los puntos de sesgo de DC. Se calcula una puntuación de calidad como el coeficiente de determinación promedio ($R^2$) a través de estos ajustes en el dominio de la frecuencia. Esta puntuación cuantifica qué tan bien la respuesta medida se ajusta a la dinámica física esperada.
2. Modelado de Calidad mediante Sustituto: Se entrena un Proceso Gaussiano (GP) para realizar la regresión de estas puntuaciones de calidad $R^2$ a través del dominio espacial de la muestra. Este GP predice la fidelidad espectral en ubicaciones no observadas, creando un mapa espacial de la calidad de los datos.
3. Estrategia de Adquisición con Compuerta: El proceso de adquisición emplea un mecanismo de "compuerta" (gating). Antes de que se seleccione una muestra basada en criterios estándar de AL, su puntuación de calidad predicha ($q_i$) del GP se verifica contra un umbral predefinido ($\tau$).
   • Si $q_i < \tau$, la muestra es excluida (bloqueada por la compuerta), independientemente de su incertidumbre o representatividad.
   • Si $q_i \geq \tau$, la muestra procede a la fase de puntuación.
4. Puntuación de Adquisición: Para las muestras que pasan la compuerta de calidad, se calcula una puntuación de adquisición unificada ($s_i$) combinando tres factores:
   • Error Predicho: Estimado por un modelo sustituto (entrenado en características latentes) para capturar el error esperado del modelo base (curiosidad/incertidumbre).
   • Distancia: Distancia euclidiana en el espacio latente respecto al conjunto de entrenamiento actual (exploración de regiones subrepresentadas).
   • Representatividad: Similitud de coseno con el resto del conjunto no observado (cobertura de la distribución).
   • La puntuación final es una suma ponderada: $s_i = \alpha \cdot \hat{e}_i + \beta \cdot d_i + \gamma \cdot r_i$.

Contribuciones Clave

• Integración de Física y ML: El artículo introduce un marco que acopla la curiosidad basada en datos con la evaluación de calidad informada por la física, asegurando que las decisiones de aprendizaje activo no solo sean ricas en información, sino también físicamente válidas.
• Robustez ante el Ruido Localizado: Al filtrar explícitamente los espectros de baja fidelidad mediante la compuerta de $R^2$ basada en SHO, el método evita la adquisición de datos corruptos que de otro modo degradarían el rendimiento del modelo.
• Validación Bidireccional: El enfoque se valida en dos tareas recíprocas: Im2Spec (predecir espectros a partir de imágenes AFM) y Spec2Im (reconstruir imágenes a partir de espectros), demostrando eficacia tanto en escenarios de mapeo directo como inverso.
• Despliegue en Tiempo Real: El marco se implementó con éxito en tiempo real en un sistema de microscopía de fuerza atómica (AFM), demostrando su aplicabilidad en experimentos autónomos en vivo.

Resultos
Los autores evaluaron ActiveQC frente al Muestreo Aleatorio, el Aprendizaje Activo Estándar (impulsado por la curiosidad) y una línea base de Aprendizaje Multitarea (ActiveMT) utilizando un conjunto de datos pre-adquirido de películas delgadas de $\text{PbTiO}_3$ con ruido espacialmente localizado inducido artificialmente.

• Tarea Im2Spec: ActiveQC superó consistentemente a todas las líneas base. Mientras que las estrategias de Activo Estándar y ActiveMT seleccionaban progresivamente más muestras con ruido (interpretándolas como regiones de alta incertidumbre), ActiveQC aprendió rápidamente a evitar el cuadrante ruidoso. Esto resultó en un Error Cuadrático Medio (MSE) significativamente menor en las rondas finales de adquisición. El análisis estadístico (prueba t de Welch, $p < 0.05$) confirmó la superioridad de ActiveQC.
• Tarea Spec2Im: Se observaron tendencias similares. ActiveQC mantuvo el error más bajo durante los pasos de exploración, particularmente en las rondas tardías donde las muestras con ruido se volvieron más prevalentes. La línea base multitarea mostró cierta mejora sobre el aprendizaje activo estándar, pero no logró igualar la robustez del mecanismo de compuerta.
• Experimentos de AFM en Tiempo Real: Desplegado en películas delgadas de $\text{BiFeO}_3$, el marco demostró la capacidad de distribuir las mediciones de forma adaptativa. La compuerta de calidad logró suprimir las adquisiciones en regiones donde se predijo una baja fidelidad espectral. El análisis de las muestras retenidas mostró que los subconjuntos de alta calidad exhibieron respuestas electromecánicas más fuertes (áreas de lazo y sensibilidad más grandes) en comparación con los subconjuntos de baja calidad, validando la relevancia física del filtro.

Significancia y Reivindicaciones
El artículo sostiene que el trabajo propuesto apoya un cambio hacia la "autonomía híbrida" en los laboratorios de auto-conducción. Los autores argumentan que confiar únicamente en la reducción de la incertidumbre algorítmica es insuficiente en entornos experimentales con ruido. En su lugar, combinar la evaluación de calidad informada por la física con la toma de decisiones activa es esencial para un descubrimiento fiable.

La significancia radica en la demostración de que:

1. La Conciencia de la Calidad es Crítica: Ignorar la fidelidad de los datos conduce a la acumulación de muestras engañosas, mientras que la compuerta de calidad explícita evita este modo de fallo.
2. Generalización: Aunque se demostró en películas delgadas ferroeléctricas y datos de BEPS, el principio de utilizar métricas informadas por la física para controlar el aprendizaje activo es ampliamente aplicable a otros dominios científicos donde la calidad de los datos es variable.
3. Viabilidad Práctica: El despliegue exitoso en tiempo real en una plataforma de AFM demuestra que tales bucles controlados por calidad pueden operar de manera robusta bajo restricciones experimentales prácticas, ofreciendo una vía para una investigación de materiales autónoma más fiable y con menor riesgo.