Active Learning Guided Design Space Refinement for Scalable Multi-Objective Bayesian Optimization in Materials Discovery

Resumen Técnico: Refinamiento del Espacio de Diseño Guiado por Aprendizaje Activo para la Optimización Bayesiana Multiobjetivo Escalable en el Descubrimiento de Materiales

Planteamiento del Problema

El descubrimiento y la optimización de materiales avanzados dependen cada vez más del aprendizaje automático y la optimización bayesiana (BO) para navegar por grandes espacios de diseño discretos bajo presupuestos computacionales estrictos. Sin embargo, la BO convencional enfrenta limitaciones de escalabilidad significativas en espacios de diseño ultra grandes. A medida que aumenta el número de candidatos a materiales, el proceso de optimización suele volverse ineficiente, asignando una fracción sustancial de las evaluaciones costosas a regiones de bajo valor antes de converger en áreas de alto rendimiento. Este problema se ve exacerbado en entornos multiobjetivo, donde equilibrar objetivos contrapuestos mientras se mantiene la diversidad de la frontera de Pareto requiere aún más evaluaciones. Los flujos de trabajo existentes suelen tratar el modelado predictivo y la optimación como etapas separadas, careciendo de un mecanismo integrado para refinar adaptativamente el espacio de búsqueda antes de que comience la fase de optimización principal.

Metodología

Los autores proponen un marco de refinamiento adaptativo del espacio de búsqueda guiado por Aprendizaje Activo (AL) integrado con la optimización bayesiana multiobjetivo. El flujo de trabajo consta de dos etapas primarias:

1. Refinamiento Adaptativo Guiado por DAGS:

   • Objetivo: Particionar iterativamente el espacio de diseño en regiones informativas (prometedoras) y no informativas, reduciendo el conjunto de candidatos antes de la etapa principal de BO.
   • Mecanismo: El marco emplea una estrategia de Muestreo Codicioso Sensible a la Densidad (DAGS) combinada con un único clasificador XGBoost.
   • Puntuación de Proxy: Se calcula una puntuación de proxy sensible a Pareto $s(x)$ para todos los candidatos utilizando una combinación ponderada de los componentes de media, peor caso, punto ideal y geométrico de los valores de los objetivos normalizados.
   • Bucle de Aprendizaje Activo:
     • Se establece un conjunto etiquetado equilibrado inicial.
     • El clasificador XGBoost estima la probabilidad de que un candidato pertenezca a la clase "prometedora".
     • Consulta DAGS: Se seleccionan nuevos candidatos para la evaluación de "oráculo" (cálculo del objetivo real) basándose en una regla de adquisición sensible a la densidad que equilibra la incertidumbre de la predicción ($p(x)(1-p(x)$), la novedad en el espacio de características y la densidad local.
     • Pseudo-etiquetado: Las predicciones positivas de alta confianza ($p(x) \ge 0.90$) se asignan pseudo-etiquetas para acelerar el entrenamiento del clasificador sin incurrir en costos de oráculo.
   • Reducción del Espacio: Tras un número fijo de iteraciones de refinamiento, se construye el espacio reducido reteniendo cinco categorías de candidatos: (i) predicciones positivas del clasificador, (ii) predicciones de alta confianza, (iii) candidatos de alta incertidumbre (limitados al percentil 65), (iv) candidatos con pseudo-etiquetas de alta confianza y (v) todos los ejemplos consultados al oráculo.

2. Optimización Bayesiana Multiobjetivo con Inicio en Caliente (Warm-Start):

   • El espacio de candidatos reducido sirve como dominio de búsqueda para la etapa posterior de BO.
   • Las muestras informativas recolectadas durante la etapa de refinamiento (evaluaciones de oráculo) se transfieren como el conjunto de datos inicial ($D_0$) para el proceso de BO.
   • Modelo Sustituto y Función de Adquisición: Se utiliza un modelo sustituto de Proceso Gaussiano (GP) con la función de adquisición de Mejora de Hipervolumen Esperada con Ruido (qNEHVI) para guiar la selección de nuevos candidatos dentro del espacio reducido.

Contribuciones Clave

• Marco Integrado: El artículo introduce un flujo de trabajo unificado que incorpora explícitamente el refinamiento adaptativo del espacio de búsqueda como un componente central de la canalización de optimización, cerrando la brecha entre la clasificación de bajo costo y la BO multiobjetivo costosa.
• Estrategia de Escalabilidad: Al reducir el espacio de candidatos aproximadamente a la mitad mientras se preservan las regiones relevantes para Pareto, el método aborda la ineficiencia de la exploración del espacio completo en el descubrimiento de materiales a gran escala.
• Mecanismo de Retención Novedoso: La estrategia de retención híbrida asegura que el espacio reducido no sea meramente un subconjunto de candidatos de alta puntuación, sino que incluya muestras impulsadas por la incertidumbre y consultadas al oráculo, minimizando el riesgo de descartar soluciones verdaderamente óptimas de Pareto.

Resultados

El marco fue evaluado en dos benchmarks distintos:

1. Diseño de Recipientes a Presión: Un problema de minimización de 3 objetivos (componentes de tensión y espesor) que involucra 52,272 configuraciones de laminados de CFRP Bouligand.
2. Separación de Gas en COF: Un problema de maximización de 2 objetivos (captación de metano y capacidad de entrega) que involucra 69,839 estructuras de Marcos Orgánicos Covalentes (COF).

Hallazgos Clave:

• Reducción del Espacio de Búsqueda: El refinamiento adaptativo redujo el espacio de candidatos en un 49.6% (Recipiente a Presión) y un 44.2% (COFs).
• Retención de Información: A pesar de la reducción, el marco preservó >99% del hipervolumen original (99.6% y 99.5%, respectivamente) y una parte significativa de las soluciones óptimas de Pareto reales (69.9% y 87.8%).
• Velocidad de Convergencia: La estrategia de inicio en caliente guiada por DAGS logró una convergencia más rápida en las etapas tempranas de la BO en comparación con la BO de espacio completo. Para el benchmark del recipiente a presión, se alcanzó el hipervolumen de casi meseta en ~20–30 iteraciones de BO frente a ~40–50 de la línea base.
• Descubrimiento de Pareto: El número acumulado de soluciones óptimas de Pareto descubiertas fue consistentemente mayor para el método propuesto. El Pareto-AUC (Área Bajo la Curuna) mejoró de 1562 a 2123 para el recipiente a presión y de 2547 a 3199 para el conjunto de datos de COF.
• Robustez: El método demostró un rendimiento consistente en dos problemas con estructuras de espacio de búsqueda, paisajes de objetivos y geometrías de frontera de Pareto muy diferentes.

Significancia y Reivindicaciones

Los autores afirman que este trabajo aborda una limitación crítica de escalabilidad en el descubrimiento autónomo de materiales. Al desplazar el esfuerzo computacional de las regiones de bajo valor hacia áreas de alta probabilidad de relevancia para Pareto antes de la etapa de optimización costosa, el marco permite una optimización de materiales a gran escala eficiente bajo presupuestos restringidos.

El artículo enfatiza que el beneficio principal es la mejora de la eficiencia en la etapa de BO (convergencia más rápida y mejor descubrimiento temprano de Pareto) en lugar de una reducción en el número total de evaluaciones de oráculo (dado que la etapa de refinamiento también incurre en costos de oráculo). El enfoque se presenta como una solución práctica para escenarios donde los grupos de candidatos son demasiado grandes para una exploración exhaustiva, permitiendo a los investigadores centrar las simulaciones costosas en las regiones de compromiso más prometedoras. Los autores señalan que, si bien el método es robusto, trabajos futuros deberían investigar el umbral adaptativo y los límites teóricos de la retención del conjunto de Pareto para mitigar aún más los riesgos asociados con el filtrado agresivo.