Resumen Técnico: GALAXI – Un Marco de Aprendizaje Automático Escalable para la Identificación de Difracción de Rayos X Multifásica

Planteamiento del Problema

La difracción de rayos X (XRD) es la técnica estándar para identificar fases cristalinas tras la síntesis. Sin embargo, la identificación de fases automatizada sigue siendo un desafío, particularmente para muestras multifásicas caracterizadas por picos superpuestos y artefactos experimentales (por ejemplo, desplazamientos de picos, orientación preferente, tamaños de cristalito pequeños). Aunque se han propuesto métodos de aprendizaje profundo, específicamente Redes Neuronales Convolucionales (CNN), para mejorar los algoritmos clásicos de búsqueda-emparejamiento, los enfoques actuales formulan predominantemente la identificación de fases como un problema de clasificación de conjunto cerrado único. En este paradigma, un único modelo compartido debe discriminar entre un conjunto fijo de fases candidatas definidas durante el entrenamiento. Esta arquitectura crea un cuello de botella crítico de escalabilidad: añadir nuevas fases a la biblioteca de referencia requiere el reentrenamiento de todo el modelo, y un clasificador compartido debe aprender características para distinguir una vasta cantidad de clases simultáneamente, lo que puede conducir a representaciones subóptimas para clases individuales.

Metodología: El Marco GALAXI

Los autores presentan GALAXI (General Automated Learning and Analysis for XRD-based Identification), un marco de aprendizaje automático que desacopla la tarea de identificación en clasificadores binarios independientes específicos para cada fase.

Arquitectura Central

1. Clasificadores Binarios Independientes: En lugar de un único modelo multiclase, GALAXI entrena una CNN unidimensional ligera y dedicada para cada fase candidata. Cada clasificador está entrenado para devolver una única probabilidad que indica si esa fase específica está presente en un patrón determinado.
2. Escalabilidad Modular: Debido a que los modelos son independientes, las nuevas fases pueden añadirse a la biblioteca de referencia entrenando un único modelo adicional sin necesidad de reentrenar la biblioteca existente.
3. Atención Modulada por Máscara: Cada CNN emplea un mecanismo de atención espacial modulado por máscara. Esto permite que el modelo se concentre en las características de difracción informativas mientras ignora las regiones con relleno (padding) o propensas a artefactos, permitiendo la operación en patrones experimentales con rangos angulares variables.
4. Pipeline de Inferencia de Dos Etapas:
   • Etapa 1 (Tamizaje): El espacio químico conocido define un conjunto de fases candidatas plausibles. El patrón de XRD suministrado se preprocesa (suavizado, eliminación de fondo, control de ruido y magnificación no lineal de señales débiles) y es tamizado por las CNN específicas de cada fase correspondientes. Esta etapa prioriza la alta recuperación (recall) para evitar omitir fases reales, aceptando una mayor tasa de falsos positivos.
   • Etapa 2 (Refinamiento): Los candidatos identificados por las CNN se pasan a DARA (Data-driven Automated Rietveld Analysis). DARA realiza un refinamiento de Rietveld automatizado para evaluar las combinaciones de estos candidatos frente al patrón de difracción completo, determinando las asignaciones de fase finales y las fracciones de peso cuantitativas. Esta etapa filtra los falsos positivos y resuelve la superposición de picos.

Entrenamiento y Generación de Datos

• Datos Sintéticos: Para cerrar la brecha entre la simulación y el experimento, los autores generan patrones sintéticos a partir de la Crystallography Open Database (COD). Estos patrones se aumentan con artefactos físicos e instrumentales realistas, incluyendo deformación de red (lattice strain), efectos térmicos (factor Debye-Waller), ensanchamiento de picos (Scherrer y microdeformación), desplazamiento de la muestra y orientación preferente (textura).
• Optimización: El sistema fue ajustado en un conjunto de validación experimental dedicado para maximizar la recuperación, ya que las fases omitidas no pueden recuperarse en etapas posteriores, mientras que los falsos positivos pueden ser rechazados por DARA.

Contribuciones Clave

1. Desacoplamiento Arquitectónico: La propuesta de una arquitectura de clasificador binario "uno contra todos" que elimina la necesidad de reentrenar toda la biblioteca cuando se expande el espacio químico.
2. Escalabilidad: La capacidad de escalar la biblioteca de referencia a decenas de miles de estructuras (demostrado con 64,594 estructuras) sin una explosión computacional en la fase de entrenamiento.
3. Despliegue Público: El despliegue de una interfaz web pública (https://galaxi-xrd.com) que alberga modelos preentrenados para 64,594 estructuras, permitiendo a los usuarios definir espacios químicos y tamizar patrones.
4. Pruezas de Robustez: Pruebas de estrés exhaustivas contra artefactos experimentales comunes, incluyendo bajas fracciones de impurezas, molienda de bolas (ensanchamiento de picos), desplazamientos de picos y textura.

Resultados

El marco fue comparado con cuatro líneas base: el método clásico de búsqueda-emparejamiento de picos (método Smith/Snyder) y tres modelos previos de aprendizaje profundo (XRD-AutoAnalyzer, XCA y XQueryer) sobre un conjunto de 130 patrones experimentales retenidos.

• Rendimiento en Muestras Prístinas: En un conjunto de 61 patrones prístinos, GALAXI alcanzó una puntuación micro-F1 de 0.935 tras el refinamiento de DARA, superando significativamente a las líneas base (que oscilaron entre 0.255 y 0.535 para mezclas complejas). En términos de precisión top-15, GALAXI alcanzó un 82.0%, comparado con el 32.8–47.5% de las líneas base.
• Manejo de la Complejidad: GALAXI mantuvo un alto rendimiento a medida que aumentaba la complejidad de la mezcla, logrando puntuaciones micro-F1 de 0.971, 0.941 y 0.875 para patrones que contenían dos, tres y cuatro fases, respectivamente.
• Robustez ante Artefactos:
  • Impurezas: El sistema mantuvo la sensibilidad hacia fases de impurezas hasta fracciones de peso < 5 % en peso (el límite inferior de la simulación de entrenamiento).
  • Desplazamientos de Picos: Robusto a desplazamientos uniformes de hasta 0.3° y desplazamientos de muestra de hasta 0.75 mm, consistentes con las distribuciones de entrenamiento.
  • Textura: El rendimiento se degradó significativamente para muestras altamente texturizadas (ej. MoO3 depositado por goteo) donde las distribaciones de intensidad se desvían de los promedios de polvo aleatorios, resaltando una limitación de la distribución de entrenamiento actual.
• Aplicación In-Situ: GALAXI identificó con éxito la evolución de fases durante reacciones de síntesis de estado sólido a alta temperatura (ej. formación de BiFeO3), rastreando correctamente fases intermedias y especies transitorias de baja abundancia.
• Eficiencia Computacional: El paso de pre-tamizaje por CNN limita eficazmente el espacio de búsqueda combinatorio para DARA. A medida que el tamaño del catálogo de referencia aumentó de 21 a 365 fases, el tiempo de inferencia para el flujo de trabajo "CNN + DARA" aumentó solo modestamente (de 5.1s a 24.5s por patrón), mientras que un enfoque de "solo DARA" vio sus costos dispararse (de 15.4s a 862.4s) y su rendimiento disminuir.

Significancia y Limitaciones

El artículo postula que el desacoplamiento de la detección de fases del refinamiento a nivel de combinación es una estrategia práctica para la identificación de fases en XRD multifásica. La principal significancia reside en la escalabilidad: el marco permite que la biblioteca de referencia se expanda continuamente conforme se disponen de nuevas estructuras sin el costo prohibitivo de reentrenar los modelos existentes. Este enfoque modular permite la creación de una biblioteca universal que cubra un vasto espacio químico.

Sin embargo, los autores reconocen limitaciones específicas:

• Mezclas Complejas: En mezclas extremadamente complejas con fuerte superposición de picos, los detectores independientes aún pueden omitir fases reales (falsos negativos) antes del refinamiento.
• Errores de Refinamiento: DARA puede ocasionalmente descartar una fase correctamente identificada debido a una superposición severa o retener fases "similares" espurias que mejoran el ajuste del perfil pero que no están presentes físicamente.
• Sensibilidad a la Textura: El marco tiene dificultades con muestras altamente texturizadas porque los datos de entrenamiento sintéticos asumen un promedio de polvo estadísticamente aleatorio.
• Errores Sistemáticos: El rendimiento decae drásticamente para desplazamientos de picos o desplazamientos de muestra que exceden los rangos utilizados durante el entrenamiento, lo que refleja un compromiso deliberado en la distribución de entrenamiento más que un fallo arquitectónico fundamental.

A pesar de estas limitaciones, los autores concluyen que GALAXI proporciona una base robusta y escalable para la identificación de fases automatizada, particularmente para sistemas de materiales complejos y en evolución, y ofrece una herramienta práctica para la comunidad de ciencia de materiales a través de su interfaz web pública.