PATHFINDER: Multi-objective discovery in structural and spectral spaces

El artículo presenta PATHFINDER, un marco de microscopía autónoma que combina la exploración guiada por la novedad con la optimización multiobjetivo para descubrir representaciones diversas en espacios estructurales y espectrales, evitando la convergencia prematura en soluciones subóptimas y ampliando el paisaje de propiedades accesibles.

Lo esencial

¡Claro que sí! Imagina que eres un explorador en un territorio desconocido y enorme, pero tienes un mapa muy limitado y poco tiempo para explorar. Tu misión es encontrar los tesoros más valiosos, pero no sabes dónde están.

Aquí te explico el paper sobre PATHFINDER como si fuera una historia de aventura, usando analogías sencillas.

🧭 El Problema: El Explorador "Ciego"

Antes de PATHFINDER, los microscopios automáticos funcionaban como un perro con un solo objetivo: si le decías "busca la cosa más brillante", el perro correría hacia la cosa más brillante y se quedaría allí olfateando el mismo punto una y otra vez.

El problema es que en la ciencia de materiales, a veces lo más interesante no es lo más brillante o lo más común. A veces, el secreto está en una roca rara, un color extraño o una textura que nadie ha visto antes. Los sistemas antiguos se "aburrían" rápido, se quedaban atrapados en lo que ya conocían y perdían los descubrimientos raros pero importantes.

🚀 La Solución: PATHFINDER (El Explorador Curioso)

Los autores crearon un nuevo sistema llamado PATHFINDER. Imagina que PATHFINDER es un explorador con dos brújulas en lugar de una.

1. La Brújula de la "Novedad" (Lo Raro): Esta brújula le dice al explorador: "¡Hey! Ese rincón del mapa se ve muy diferente a todo lo que hemos visto hasta ahora. ¡Vamos a verlo!". Busca estructuras extrañas, formas raras o cosas que no encajan con el resto.
2. La Brújula de la "Utilidad" (Lo Valioso): Esta brújula le dice: "Aquí hay una respuesta fuerte, algo que funciona muy bien". Busca propiedades útiles, como materiales que conducen electricidad o imanes potentes.

El truco de PATHFINDER: En lugar de elegir solo una de las dos brújulas, el sistema las mezcla. Decide ir a lugares que sean un poco raros pero también un poco interesantes. Así, no se queda atrapado en un solo lugar, sino que viaja por todo el mapa descubriendo cosas nuevas y útiles al mismo tiempo.

🎨 La Analogía del "Pintor y el Crítico"

Imagina que estás pintando un cuadro gigante (el material que estudias) y tienes que decidir dónde poner más pintura (hacer mediciones detalladas).

• El método antiguo era como un crítico que solo quería pintar el color más rojo que existiera. Terminaba pintando todo el lienzo de rojo y aburrido.
• PATHFINDER es como un pintor que tiene un asistente de IA.
  • El asistente mira el lienzo y dice: "Esa mancha azul aquí es muy rara, nadie la ha pintado antes" (Novedad).
  • Luego dice: "Pero esa mancha verde allá tiene una textura increíble" (Utilidad).
  • El pintor decide ir a un lugar que tenga un poco de esa rareza azul y un poco de esa textura verde.

🔬 ¿Cómo lo hicieron? (La Magia Oculta)

Para que esto funcione, PATHFINDER usa dos herramientas mágicas:

1. Un "Espejo Mágico" (VAE): Cuando el microscopio toma una foto pequeña, este espejo la convierte en un código secreto (un punto en un mapa invisible). Si dos fotos se parecen, sus puntos en el mapa están cerca. Si son muy diferentes, los puntos están lejos. Esto ayuda a PATHFINDER a saber qué es "raro" sin tener que entender la física compleja.
2. Un "Adivino" (Modelo de Sustitución): Como medir todo el mapa lleva mucho tiempo y puede dañar la muestra, PATHFINDER usa un "adivino" matemático. Este adivino aprende de las pocas mediciones que ya hizo y trata de predecir qué pasará en los lugares que aún no ha visitado.

🏆 Los Resultados: Un Mapa Más Rico

En sus pruebas, PATHFINDER demostró que:

• No se queda estancado: A diferencia de los sistemas viejos que se quedaban mirando el mismo punto, PATHFINDER viaja por todo el territorio.
• Encuentra tesoros ocultos: Encontró estructuras raras que los otros métodos ignoraron, pero que tenían propiedades científicas muy importantes.
• Escucha al humano: Si un científico humano dice: "Oye, me interesa más este tipo de textura", PATHFINDER puede ajustar sus brújulas para escuchar esa opinión.

💡 En Resumen

PATHFINDER es como cambiar de un GPS que solo te lleva al camino más rápido (y aburrido) a un navegante experto que te dice: "Vamos por este camino un poco extraño, porque podríamos encontrar una cascada increíble que nadie ha visto, y además, el camino es seguro".

Gracias a esto, los científicos pueden descubrir nuevos materiales y fenómenos físicos mucho más rápido y de manera más inteligente, sin desperdiciar tiempo en lo que ya saben. ¡Es como darle al microscopio un sentido de curiosidad!

Resumen técnico

Resumen Técnico: PATHFINDER

1. Planteamiento del Problema

La microscopía automatizada y los laboratorios autónomos enfrentan un desafío crítico: la mayoría de los flujos de trabajo impulsados por aprendizaje automático (ML) optimizan un único objetivo predefinido. Esto tiende a provocar una convergencia prematura en respuestas familiares o "óptimos locales", ignorando estados raros pero científicamente importantes.

El problema central no es solo decidir dónde medir a continuación, sino cómo coordinar la exploración a través de espacios estructurales, espectrales y de medición bajo presupuestos experimentales finitos (tiempo y dosis de haz). Los enfoques actuales tienen limitaciones:

• Políticas fijas: Dependen de que el operador humano identifique a priori los objetos de interés, dejando sin explorar la variabilidad completa de la microestructura.
• Optimización de recompensa única: Los agentes de ML a menudo se atascan en regiones localmente prometibles y fallan al explorar espacios de imagen más amplios, especialmente cuando la recompensa es parcialmente especificada o ruidosa.
• Falta de multimodalidad: Es difícil definir una política o recompensa escalar única cuando se combinan múltiples canales de imagen y espectroscopía que deben adquirirse secuencialmente.

2. Metodología: El Marco PATHFINDER

Los autores proponen PATHFINDER (Policy for Active, Time-aware, Human-in-the-loop, Fidelity-adaptive Imaging, Navigation, and Discovery with Efficient Rewards), un marco para microscopía autónoma que combina la exploración impulsada por novedad con la optimización funcional.

Componentes Clave:

• Doble Ramificación de Objetivos: El algoritmo trata la experimentación como dos tareas acopladas:
  1. Recompensa Estructural ($R_1$): Identifica estados estructuralmente distintos en el manifold de la imagen. Se utiliza un Autoencoder Variacional (VAE) para crear representaciones latentes compactas de parches locales de la imagen. La novedad se define como la distancia en el espacio latente entre un punto candidato y los puntos previamente medidos (o el centroide global).
  2. Recompensa Funcional ($R_2$): Modela la respuesta espectral o funcional (ej. señal EELS, no linealidad piezoeléctrica) mediante un modelo sustituto (surrogate model), típicamente un Proceso Gaussiano con Kernel Profundo (Deep Kernel Learning).
• Optimización Bayesiana Multi-Objetivo: En lugar de maximizar una sola función, PATHFINDER utiliza una función de adquisición basada en la mejora del volumen hipervolumen (Hypervolume Improvement). Esto selecciona las mediciones que expanden la frente de Pareto entre la novedad estructural y el rendimiento funcional.
• Formulación Adaptativa vs. Estática:
  • Estática: La novedad se calcula respecto a todo el conjunto de datos preexistente.
  • Adaptativa (Clave): La novedad se recalcula dinámicamente respecto al conjunto de puntos ya medidos en la trayectoria actual. Esto fuerza al controlador a alejarse de regiones recién visitadas y explorar nuevas zonas del manifold estructural, evitando el muestreo redundante.
• Interacción Humana: El marco permite la intervención del operador ("human-in-the-loop") para ajustar prioridades, recompensas o el equilibrio entre exploración y explotación.

3. Contribuciones Clave

• Marco Unificado: Integra la caracterización de novedad estructural (espacio latente) con el modelado de respuesta funcional en un solo controlador.
• Prevención de Convergencia Prematura: Al tratar la estructura y la función como objetivos separados pero coordinados, el sistema evita colapsar en un único óptimo aparente, manteniendo la diversidad de la exploración.
• Estrategia Adaptativa de Novedad: Demuestra que redefinir la "novedad" en tiempo real (basada en el historial de medición) mejora significativamente la cobertura del manifold estructural en comparación con enfoques estáticos.
• Validación Dual: El método se valida tanto en datos pre-adquiridos (simulando un emulador de instrumento) como en experimentos autónomos en tiempo real.

4. Resultados

El marco se probó en dos sistemas materiales:

1. Benchmark STEM-EELS (Nanopartículas de Óxido de Indio):

   • Se utilizó un conjunto de datos pre-adquirido de imágenes HAADF y espectros EELS.
   • PATHFINDER logró mapear un frente de Pareto diverso, seleccionando ubicaciones que equilibraban la rareza estructural (en el espacio latente del VAE) con la intensidad espectral.
   • La trayectoria de adquisición no colapsó en una sola región, sino que exploró diversas regiones estructurales mientras refinaba las de alta respuesta espectral.

2. Experimento en Tiempo Real (SPM en Películas de PbTiO₃):

   • Se realizó un experimento autónomo en películas delgadas ferroeléctricas, comenzando con un escaneo estructural y adquiriendo espectroscopía de fuerza secuencialmente.
   • Resultado Adaptativo: La formulación adaptativa logró una cobertura significativamente mayor del manifold latente en comparación con la estática.
   • El sistema identificó regiones de alta no linealidad (recompensa funcional) que no coincidían necesariamente con las estructuras más comunes, ni con las más raras en un sentido estático, sino que encontraron el equilibrio óptimo.
   • Las trayectorias mostraron un comportamiento de "refinamiento local seguido de exploración global", evitando estancarse en óptimos locales.

5. Significado e Impacto

Este trabajo representa un cambio de paradigma en la microscopía autónoma:

• De la Optimización a la Descubrimiento: Cambia el enfoque de simplemente encontrar el "mejor" punto a descubrir relaciones estructura-propiedad diversas e informativas bajo restricciones de recursos.
• Eficiencia Experimental: Maximiza el valor científico por unidad de tiempo de instrumento, priorizando mediciones que expanden el conocimiento del paisaje de propiedades.
• Escalabilidad: El enfoque es generalizable a configuraciones multimodales y multi-fidelidad, permitiendo que la microscopía autónoma evolucione hacia un modo de experimentación guiado por hipótesis, fundamentado físicamente y sensible a la intención científica en evolución.

En resumen, PATHFINDER proporciona una solución robusta al problema de la exploración eficiente en espacios de alta dimensión, asegurando que los experimentos autónomos no solo optimicen, sino que descubran fenómenos físicos nuevos y complejos.