Self-Supervised Calibration of Scientific Instruments Using Physical Consistency Constraints

Resumen Técnico: Calibración Autosupervisada de Instrumentos Científicos mediante Restricciones de Consistencia Física

Declaración del Problema
El despliegue de aprendizaje automático en la instrumentación científica se ve frecuentemente obstaculizado por el cuello de botella de la calibración. Los procedimientos de calibración convencionales son dirigidos por expertos, específicos para cada experimento y dependen de mediciones dedicadas o datos etiquetados manualmente. Esto crea una dependencia circular: la generación de datos de entrenamiento etiquetados a menudo requiere una calibración aproximada, que es precisamente lo que el aprendizaje supervisado pretende reemplazar. En consecuencia, los enfoques de IA actuales sufren de escalabilidad limitada, reducida reproducibilidad y una pobre adaptabilidad a las condiciones experimentales cambiantes (por ejemplo, derivas de ganancia, variaciones de presión o el envejecimiento de los detectores). Los autores identifican una brecha crítica: la incapacidad de los sistemas actuales para inferir parámetros de calibración latentes directamente a partir de mediciones brutas sin señales precalibradas o etiquetas externas.

Metodología
El artículo propone un marco de aprendizaje autosupervisado informado por la física que aprende conjuntamente los parámetros de calibración latentes del detector y las predicciones específicas de la tarea. El método se demuestra en el espectrómetro magnético VAMOS++ en GANIL, específicamente para la determinación del estado de carga iónica ($q$), lo cual es esencial para la reconstrucción de la masa atómica ($A$).

La metodología central involucra los siguientes componentes:

1. Formulación de Inferencia Conjunta: El problema se plantea como la estimación de una cantidad objetivo $y = f(\mathbf{x}, \mathbf{c})$, donde $\mathbf{x}$ representa las señales brutas del detector y $\mathbf{c}$ representa los coeficientes de calibración desconocidos. Tanto $\mathbf{c}$ como $y$ se aprenden simultáneamente.
2. Restricciones de Consistencia Física: El marco explota la naturaleza discreta de las masas atómicas como una fuente de autosupervisión. Mientras que la relación masa-carga ($A/q$) y el factor de Lorentz ($\gamma$) son medidos, la energía cinética total ($E_{tot}$) se deriva de una cámara de ionización segmentada. La relación $q = E_{tot} / [u(\gamma-1)(A/q)]$ vincula estas variables. Dado que los números de masa atómica son enteros, la masa reconstruida $A$ debe agruparse alrededor de valores enteros.
3. Pseudo-Etiquetado Fraccionario Iterativo:
   • Inicialización: Una fase de "calentamiento" utiliza un prior débil sobre la media del estado de carga iónica ($\bar{q}$) para inicializar los coeficientes de calibración dentro de una región físicamente plausible.
   • Generación de Pseudo-Etiquetas: El modelo predice un estado de carga y se evalúan las correcciones enteras candidatas ($\Delta q$). Se selecciona la corrección óptima para minimizar la Desviación de la Raíz Cuadrática Media (RMSD) entre la masa reconstruida y el entero más cercano.
   • Bucle de Entrenamiento: Los eventos que satisfacen un umbral de consistencia ($||q_{label} - \lfloor q_{label} + 0.5 \rfloor|| < 0.4$) reciben pseudo-etiquetas. Crucialmente, después de cada ciclo de pseudo-etiquetado, todos los pesos de la red se reinicializan. Esto evita que el modelo codifique en sus pesos las pseudo-etiquetas tempranas, potencialmente inexactas (sesgo de confirmación), asegurando que solo las etiquetas actualizadas impulsen el siguiente paso de optimización.
4. Parametrización: Los coeficientes de calibración están restringidos a intervalos predefinidos mediante una función sigmoide para asegurar soluciones físicamente significativas.

Contribuciones Clave
Los autores describen cuatro contribuciones principales:

1. Formular la calibración del detector como un problema de aprendizaje autosupervisado informado por la física.
2. Introducir un marco de pseudo-etiquetado fraccionario iterativo que estima conjuntamente los parámetros de calibración latentes y las predicciones de la tarea a partir de datos brutos.
3. Demostrar que las restricciones de consistencia física (específicamente las masas atómicas discretas) pueden inferir directamente los parámetros de calibración sin etiquetas externas.
4. Establecer una vía hacia la instrumentación inteligente mediante la integración de la calibración, el análisis y el diagnóstico del detector en un marco unificado.

Resultados Experimentales
El marco fue evaluado con un conjunto de datos de $1 \times 10^7$ eventos de VAMOS++:

• Convergencia: El sistema logró una convergencia estable en aproximadamente 6 minutos. La resolución final del estado de carga (RMSD($q$)) alcanzó 0.198, acercándose estrechamente al 0.177 logrado por una red especializada totalmente supervisada que considera explícitamente las imperfecciones localizadas del detector.
• Resolución de Masa: La resolución de la masa atómica (RMSD($A$)) se estabilizó en 0.23.
• Robustez: El modelo convergió a la misma solución independientemente del prior débil inicial (probado con $\bar{q}=36, 39, 42$), lo que indica que las restricciones físicas, y no la inicialización, impulsan la calibración.
• Calidad de las Etiquetas: La distribución del estado de carga generada por el método autosupervisado (FWHM 1.1%–1.3%) es casi idéntica a la de la red supervisada especializada (FWHM 1.0%–1.2%).
• Monitoreo del Estado del Detector: Los coeficientes de calibración inferidos sirvieron como observables para la salud del detector. El método identificó con éxito imperfecciones espaciales (correlacionadas con los cables de soporte de las ventanas) y derivas temporales (variaciones de ganancia en intervalos de 12 horas).
• Aplicación Aguas Abajo: Utilizando los coeficientes autosupervisados, el gráfico resultante de pérdida de energía vs. energía residual mostró bandas bien separadas para diferentes números atómicos ($Z$), permitiendo la identificación autónoma de partículas.

Significancia y Reivindicaciones
El artículo afirma establecer un paradigma general para instrumentos científicos autocalibrables y automonitoreables. Al tratar la calibración no como un prerrequisito, sino como un componente aprendible restringido por leyes físicas, el enfoque elimina la dependencia de señales precalibradas. Los autores sostienen que esto representa un paso hacia la "instrumentación inteligente", donde los instrumentos pueden realizar de forma autónoma la calibración, el análisis y la optimización del rendimiento.

La significancia radica en transformar los parámetros de calibración de cantidades intermedias en "observables del estado del detector" que caracterizan la salud del instrumento (por ejemplo, envejecimiento, fluctuaciones de presión). Aunque se demostró en un detector de física nuclear, los autores afirman que el marco es aplicable a cualquier instrumento científico donde los parámetros de calibración sean variables latentes y existan restricciones de consistencia física (como leyes de conservación o números cuánticos discretos). El trabajo posiciona esta solución ante la dependencia circular entre la calibración y la inferencia, permitiendo un despliegue de IA escalable y reproducible en experimentos científicos.