Resumen Técnico: Optimización Bayesiana para Laboratorios de Materiales Autónomos

1. Planteamiento del Problema

La investigación de materiales es fundamentalmente un problema de optimización caracterizado por objetivos costosos, ruidosos y parcialmente observables. La optimización tradicional depende en gran medida de la intuición del dominio y la experiencia empírica, lo que tiene dificultades con los vastos espacios combinatorios de composiciones, recetas e historias de procesos. Además, los experimentos de materiales en el mundo real se desvían significamente del entorno idealizado de optimización de "caja negra". Los desafíos prácticos incluyen:

• Fallos Experimentales: Síntesis que fallan al no producir las fases deseadas, desprendimiento de películas o cortocircuitos en dispositivos.
• Irregularidades en los Datos: Mediciones faltantes o retrasadas, y salidas de tipo "no es un número" (NaN).
• Restricciones Complejas: Restricciones estrictas (límites de instrumentos) y restricciones inciertas (estabilidad de fase, factibilidad).
• Variables de Entrada Variables: Variables mixtas continuas y categóricas (p. ej., tipo de solvente, sustrato).
• Multifidelidad y Costo: La disponibilidad de proxies de baja fidelidad y bajo costo frente a mediciones de alta fidelidad y alto costo.
• Conocimiento de la Física: La existencia de conocimiento físico previo (termodinámica, cinética) que a menudo se ignora en los enfoques estándar de caja negra.

El artículo argumenta que, si bien la Optimización Bayesiana (BO) es un motor de decisión poderoso para los Laboratorios de Autodrive (SDL), su formulación de libro de texto estándar (Proceso Gaussiano + Mejora Esperada) es insuficiente para estas realidades prácticas. El problema central es cómo extender la BO para manejar estas desviaciones e integrar el conocimiento físico específico para acelerar el descubrimiento y generar conocimiento científico reutilizable.

2. Metodología y Marco de Trabajo

El artículo propone un marco integral de Optimización Bayesiana Informada por la Física (PIBO) dentro de los SDL. Estructura el flujo de trabajo de la BO no como un algoritmo fijo, sino como una capa de decisión que se adapta a las realidades experimentales mediante elecciones de diseño específicas en el modelado de sustitutos, las funciones de adquisición y el manejo de restricciones.

2.1 Fundamentos del Bucle de BO

La revisión reitera el bucle estándar de BO:

1. Modelado de Sustituto: Uso de un modelo probabilístico (típicamente un Proceso Gaussiano, GP) para predecir la función objetivo $f(x)$ y su incertidumbre $\sigma(x)$ basándose en los datos observados $\mathcal{D}$.
2. Adquisición: Uso de una función de adquisición (p. ej., Mejora Esperada, EI) para equilibrar la explotación (regiones prometedoras) y la exploración (regiones inciertas) para seleccionar el siguiente experimento.
3. Actualización: Incorporación de nuevos datos para refinar el sustituto.

2.2 Extensiones del Modelo Sustituto

El artículo detalla cómo modificar el modelo sustituto para abordar desafíos específicos de la ciencia de materiales:

• Medias Previas (Priors): Ir más allá de los priors constantes hacia priors adaptativos o aleatorizados para escapar de los óptimos locales, o utilizar modelos basados en física como medias previas ($m(x)$) donde los GPs modelan el residuo ($g(x)$).
• Kernels: Utilizar kernels anisotrópicos (ARD) para manejar variables con diferentes sensibilidades. Introducción de Kernels Informados por la Física que codifican la similitud física (p. ej., transformar el tiempo a $\sqrt{t}$ para procesos controlados por difusión) en lugar de la distancia euclidiana pura.
• Sustitutos Estructurados:
  • Multi-salida: Modelar múltiples objetivos (p. ej., actividad vs. estabilidad) mediante GPs independientes o GPs multi-salida correlacionados (p. ej., Modelo de Corregionalización Intrínseca).
  • Multi-fidelidad: Uso de Co-kriging o modelos autorregresivos para combinar datos de baja fidelidad y bajo costo con mediciones de alta fidelidad y alto costo.
  • Multi-etapa: Modelar flujos de trabajo donde los proxies intermedios guían las decisiones para pruebas posteriores más costosas.
• Modelos Alternativos: Reconocer que para espacios de variables mixtas o no suaves, los modelos basados en árboles (Bosques Aleatorios) o el Aprendizaje de Kernel Profundo (DKL) pueden ser más apropiados que los GPs estándar.

2.3 Estrategias de Función de Adquisición

El artículo describe estrategias de adquisición adaptadas a restricciones experimentales específicas:

• Manejo de Restricciones: Uso de clasificadores probabilísticos o sustitutos de restricciones continuas para estimar las probabilidades de factibilidad ($p_{feas}$), que luego se multiplican con la función de adquisición del objetivo o se utilizan para filtrar el espacio de búsqueda.
• Multi-objetivo: Empleo de funciones de adquisición basadas en hipervolumen (p. ej., EHVI) para descubrir frentes de Pareto en lugar de la la la escala de los objetivos de forma prematura.
• Costo y Fidelidad: Implementación de adquisición consciente del costo (mejora por unidad de costo) y selección de multi-fidelidad para optimizar la asignación del presupuesto.
• Lote y Asíncrono: Uso de funciones de adquisición de $q$ puntos (p. ej., $qEI$, $qEHVI$) y tratamientos de puntos pendientes para manejar la síntesis en paralelo o experimentos con tiempos de finalización variables.

2.4 Optimización Bayesiana Informada por la Física (PIBO)

Una contribución central es la integración sistemática del conocimiento físico en el bucle de BO en cuatro puntos distintos:

1. Representaciones: Transformar las entradas puras (p. ej., flujos de gas) en coordenadas físicamente significativas (p. ej., composición mediante la ley de Vegard) para suavizar la superficie de respuesta.
2. Priors: Utilizar modelos físicos (p. ej., Flory-Huggins, relaciones lineales) como la función de media previa, permitiendo que el GP aprenda solo la discrepancia.
3. Kernels: Codificar leyes de escala física (p. ej., dependencia de la temperatura de Arrhenius) directamente en la métrica de distancia del kernel.
4. Adquisición/Restricciones: Aplicar funciones de ponderación basadas en la física a la puntuación de adquisición o definir restricciones estrictas o blandas basadas en la estabilidad termodinámica o límites de seguridad.

3. Contribuciones Clave y Resultados

El artículo no presenta un nuevo algoritmo único, sino una revisión unificada y una guía práctica para implementar la BO en los SDL de materiales. Sus contribuciones se categorizan de la siguiente manera:

• Taxonomía de Desafíos: Mapea dificultades experimentales específicas (fallos, variables mixtas, deriva) con las correspondientes elecciones de diseño de BO (Tabla 1), proporcionando una hoja de ruta para los investigadores.
• Marco PIBO: Formaliza la incorporación del conocimiento del dominio, demostrando a través de ejemplos (p. ej., aleaciones con memoria de forma de NiTi, crecimiento de InGaAsP) que los kernels y los priors informados por la física pueden reducir significamente el número de experimentos necesarios para alcanzar las condiciones óptimas en comparación con la BO de caja negra.
• Evidencia Empírica: La revisión examina logros representativos en diversos campos habilitados por la BO y el aprendizaje activo:
  • Semiconductores: Primeras películas de $\beta$-Ga$_2$O$_3$ monocristalinas crecidas por pulverización catódica y optimización del crecimiento de InGaAsP.
  • Catálisis: Descubrimiento de catalizadores de perovskita de alto rendimiento y optimización de reacciones de acoplamiento fotocatalítico.
  • Baterías: Identificación de electrolitos de baterías de litio-metal duraderos y formulaciones de alta retención de capacidad.
  • Aleaciones: Descubrimiento de aleaciones de Invar de alta entropía con baja expansión térmica y optimización de las temperaturas de transformación de NiTi.
  • Materiales Cuánticos: Síntesis de películas de alta calidad de SrRuO$_3$ que permiten la observación de firmas de transporte de fermiones de Weyl.
• Guías Prácticas: Proporciona recomendaciones detalladas para:
  • Formulación del Problema: Definición de objetivos, espacios de búsqueda y restricciones.
  • Implementación: Arquitecturas para la orquestación de bucle cerrado, manejo de fallos (p. ej., relleno de piso) y gestión de variables mixtas.
  • Reporte: Una lista de verificación (Tabla 5) para el reporte reproducible de campañas de BO, enfatizando la distinción entre el conteo de iteraciones y el tiempo de ejecución (wall-clock time).

4. Significado y Perspectivas

El artículo sostiene que la importancia de la BO en la ciencia de materiales se extiende más allá de la mera eficiencia en la búsqueda de parámetros óptimos. Su verdadero valor reside en:

1. Realización de Nuevos Materiales: Habilitar la síntesis de materiales en ventanas previamente inaccesibles (p. ej., películas monocristalinas mediante pulverización catódica).
2. Generación de Conocimiento: Pasar de la optimización de "caja negra" a la experimentación de "generación de conocimiento". Al utilizar modelos informados por la física y analizar las estructuras de los sustitutos, los investigadores pueden extraer reglas interpretables e hipótesis sobre el comportamiento de los materiales.
3. Manejo de la Complejidad del Mundo Real: Proporcionar un marco principista para lidiar con el desorden de los laboratorios reales (fallos, deriva, variables mixtas) en lugar de asumir condiciones ideales.

Perspectiva Futura:
Los autores identifican varios problemas abiertos que darán forma a la próxima generación de los SDL:

• No Estacionariedad: Desarrollar modelos que tengan en cuenta la deriva experimental (p. ej., agotamiento de la fuente, envejecimiento de la cámara) durante campañas prolongadas.
• Aprendizaje Multimodal: Crear modelos que puedan aprender de conjuntos de datos heterogéneos donde diferentes muestras tienen diferentes subconjuntos de datos de caracterización.
• Formulación de Problemas Adaptativa: Permitir el razonamiento humano en el bucle (human-in-the-loop) donde los objetivos y las restricciones pueden revisarse a medida que surge nueva evidencia científica.
• Razonamiento Científico: Integrar Modelos de Lenguaje Extensos (LLMs) y agentes de investigación para ayudar a formular hipótesis e interpretar resultados, avanzando hacia el descubrimiento científico autónomo.

En conclusión, el artículo posiciona a la BO no como un algoritmo independiente, sino como un marco de toma de decisiones flexible que, cuando se combina con el conocimiento de la física y una ingeniería robusta, puede transformar la investigación de materiales de un proceso de ensayo y error impulsado por la intuición a una ciencia eficiente, interpretable y generadora de conocimiento.