PAC Studio Machine Learning: Human-in-the-Loop Analysis of TDPAC Spectra

Resumen Técnico: PAC Studio ML

Planteamiento del Problema
La espectroscopia de correlación angular perturbada diferencial en el tiempo (TDPAC o PAC) es una poderosa técnica de sonda local para determinar parámetros hiperfinos (gradientes de campo eléctrico, campos magnéticos, fracciones de sitio) en la materia condensada. Sin embargo, la extracción de estos parámetros físicos a partir de espectros experimentales constituye un problema inverso mal condicionado. Las curvas $R(t)$ medidas son proyecciones comprimidas de configuraciones microscópicas donde diferentes combinaciones de conteos de sitios, tipos de interacción, parámetros angulares y términos de amortiguamiento pueden producir formas espectrales visualmente similares. En consecuencia, el ajuste convencional de mínimos cuadrados no lineales es altamente sensible a la inicialización, las hipótesis del modelo de sitio y los límites de los parámetros. La exploración manual de estas variables es lenta, difícil de reproducir y propensa a converger en mínimos locales que carecen de unicidad física. Aunque el aprendizaje automático (ML) ofrece potencial para el análisis inverso, los enfoques existentes suelen carecer de transparencia, no logran integrarse con los flujos de trabajo de ajuste convencionales o tratan al ML como una "caja negra" que reemplaza el juicio experto en lugar de apoyarlo.

Metodología
El artículo presenta PAC Studio ML, un entorno de escritorio en Python con intervención humana en el bucle (human-in-the-loop) diseñado para apoyar las etapas de pre-ajuste y cribado de modelos de la técnica PAC. La arquitectura del software es modular, integrando un resolvedor directo basado en la física, predictores de aprendizaje automático y herramientas estándar de ajuste de mínimos cuadrados dentro de una única interfaz gráfica de usuario (GUI).

• Motor de Física Directa: La capa central de física utiliza un formalismo de matriz Hamiltoniana para calcular interacciones hiperfinas eléctricas y magnéticas combinadas. Genera espectros sintéticos mediante la diagonalización del Hamiltoniano para obtener frecuencias de transición y la construcción de funciones de perturbación $G_{22}(t)$ usando coeficientes Wigner 3j. Estas se amortiguan (Gaussianas o Lorentzianas) y se ponderan por fracciones de sitio para producir la señal observable $R(t) = \text{add\_const} + A_{22} G_{22}(t)$.
• Generación de Datos Sintéticos: En lugar de depender de conjuntos de entrenamiento fijos y universales, el software permite a los usuarios definir dominios de validez física (rangos para $v_Q$, $v_M$, $\eta$, amortiguamiento, ruido, etc.) para generar bancos de datos sintéticos personalizados. Se crean bibliotecas separadas para modelos de uno, dos y tres sitios, con los datos divididos en conjuntos de entrenamiento (80%), validación (10%) y de prueba excluidos (10%).
• Extracción de Características: Las curvas $R(t)$ crudas se convierten en vectores de características numéricas que comprenden cuatro familias: descriptores en el dominio del tiempo (amplitud, momentos, pendientes), descriptores en el dominio de la frecuencia (picos FFT, ancho de banda), descriptores de forma (perfiles remuestreados/normalizados) y descriptores informados por la física (proxies de frecuencia angular, indicadores de interacción).
• Modelos de Aprendizaje Automático: El sistema emplea aprendizaje supervisado para mapear vectores de características a parámetros objetivo. Utiliza regresores basados en árboles (Random Forest, Extra Trees, HistGradientBoosting) de scikit-learn, con un respaldo de k-vecinos más cercanos para entornos que carezcan de estas librerías. Los parámetros angulares se manejan mediante descomposición seno/coseno para evitar la discontinuidad.
• Flujo de Trabajo de Predicción y Refinamiento:
  1. Predicción Directa: El modelo entrenado propone parámetros candidatos basados en el vector de características del espectro de entrada.
  2. Asistente de Sitios Automático: Esta herramienta escanea los bancos de datos sintéticos para modelos de uno, dos y tres sitios, clasificando candidatos mediante residuos RMS, puntuaciones de complejidad tipo BIC y distancias de características.
  3. Refinamiento Sembrado por ML: Los parámetros predichos sirven como inicialización para el ajuste convencional de mínimos cuadrados no lineales.
  4. Salvaguardas: Las correcciones post-predicción incluyen alineación de picos FFT, calibración robusta de amplitud/línea base y re-clasificación basada en residuos de los candidatos frente a la curva experimental.
• Infraestructura de Reproducibilidad: El software incluye herramientas para la evaluación comparativa de estrategias de inicialización, pruebas de ablación de componentes de corrección y calibración empírica de la incertidumbre. Genera "Model Cards" (Tarjetas de Modelo) que documentan los rangos de entrenamiento, definiciones de características y modos de falla conocidos para asegurar la auditabilidad.

Contribuciones Clave

• Entorno Integrado de Intervención Humana: PAC Studio ML cierra la breancia entre el modelado sintético, la predicción inversa basada en datos y el refinamiento liderado por expertos, asegurando que las sugerencias de ML sean inspeccionables y controlables.
• Ingeniería de Características Informada por la Física: El sistema traduce los espectros PAC en descriptores que capturan tanto la forma general de la señal como firmas físicas específicas (por ejemplo, distinguir interacciones puramente eléctricas de interacciones combinadas).
• Selección de Modelos Transparente: El asistente "Auto Sites" proporciona un método sistemático para comparar hipótesis de conteo de sitios, penalizando la complejidad innecesaria mientras expone familias de modelos alternativas plausibles.
• Reproducibilidad y Diagnóstico: La inclusión de tarjetas de modelo, evaluaciones comparativas de ablación y herramientas de calibración de incertidumbre aborda la naturaleza de "caja negra" de las aplicaciones típicas de ML en la ciencia, permitiendo a los usuarios evaluar la fiabilidad y el alcance de las predicciones.

Resultados
El artículo presenta resultados de "prueba de operación" utilizando datos sintéticos excluidos y ejemplos experimentales ilustrativos de BiFeO$_3$ (BFO):

• Recuperación Sintética: En conjuntos de prueba sintéticos excluidos, los parámetros globales (amplitud $A_{22}$ y línea base) se recuperaron con alta precisión. Las frecuencias magnéticas ($v_M$) mostraron una recuperabilidad moderada. Sin embargo, las frecuencias cuadripolares específicas del sitio ($v_Q$), los parámetros de asimetría ($\eta$), las variables angulares y los términos de amortiguamiento exhibieron errores más altos, particularmente en escenarios multi-sitio. Esto confirma la no-identificabilidad de ciertos parámetros en problemas de PAC mal condicionados.
• Eficiencia de Inicialización: En un caso de estudio de nanopartículas de BFO, el ajuste sembrado por ML convergió más rápido (285 evaluaciones de función frente a 303 para el manual) y logró un chi-cuadrado reducido menor en comparación con la inicialización manual. Superó significativamente a los arranques aleatorios, que tuvieron una tasa de éxito menor y un costo computacional más alto.
• Ambigüedad de Modelo: En un caso de BFO masivo (bulk), la herramienta "Auto Sites" propuso un modelo de interacción combinada de dos sitios, mientras que un modelo de un solo sitio de interacción eléctrica pura informado por la literatura proporcionó un ajuste igualmente bueno. Esto demuestra que múltiples familias de modelos pueden reproducir datos experimentales, reforzando la necesidad del juicio experto para seleccionar la solución físicamente significativa.

Significancia y Reclamaciones
Los autores posicionan a PAC Studio ML estrictamente como una herramienta de apoyo para el análisis experto de PAC, no como un reemplazo del mismo. El artículo afirma explícitamente que el software:

• Acelera la exploración del espacio de parámetros y las hipótesis de conteo de sitios.
• Mejora la eficiencia y la estabilidad de la inicialización de mínimos cuadrados no lineales.
• Mejora la reproducibilidad y la transparencia diagnóstica de los flujos de trabajo de análisis PAC.
• Hace visibles para el usuario las limitaciones de las predicciones de ML (mediante estimaciones de incertidumbre y tarjetas de modelo).

El artículo afirma modestamente que no pretende alcanzar una exactitud física universal, una incertidumbre calibrada para todos los espectros experimentales o la resolución de todas las ambigüedades de PAC. Las pruebas sintéticas y los ejemplos de BFO sirven para demostrar la capacidad operativa del software y la integración del flujo de trabajo. Los autores declaran que las conclusiones completas sobre materiales específicos, la calibración total de la incertidumbre y la validación experimental independiente se reservan para un artículo posterior de resultados físicos. La contribución principal de este trabajo es la definición de una plataforma de software reproducible, documentada y centrada en el ser humano para el análisis inverso informado por la física.