Real-time Multi-instrument Autonomous Materials Screening for Discovery of Novel Phase-change Memory Materials

Resumen Técnico: Cribado de Materiales Autónomo Multinstrumental en Tiempo Real para el Descubrimiento de Nuevos Materiales de Cambio de Fase

Planteamiento del Problema
Los laboratorios autónomos (AL, por sus siglas en inglés) han revolucionado el descubrimiento de materiales mediante la integración de ejecución automatizada, análisis de datos y toma de decisiones. Sin embargo, un cuello de botella significativo sigue siendo la integración de flujos de datos diversos y heterogéneos provenientes de múltiples instrumentos. Los sistemas autónomos actuales suelen operar en bucles cerrados de un solo instrumento y una sola propiedad, donde la toma de decisiones ocurre de forma independiente en cada equipo de caracterización. Además, la elucidación de las relaciones síntesis-proceso-estructura-propiedad (SPSPR) suele depender del análisis post-experimental una vez completada la recolección de datos, en lugar de ocurrir durante los experimentos en vivo. Este enfoque secuencial no logra aprovechar el potencial de las correlaciones entre propiedades estructurales y funcionales en tiempo real, lo que ralentiza el descubrimiento de materiales complejos como los sistemas de memoria de cambio de fase (PCM), particularmente aquellos que involucran regiones de fases mixtas y fases de no equilibrio.

Metodología: El Marco de Descubrimiento Autónomo Multinstrumental (MAD)
Los autores proponen el marco de Descubrimiento Autónomo Multinstrumental (MAD), un sistema diseñado para realizar experimentación autónoma (AE) paralela combinando el mapeo de propiedades estructurales y la optimización de propiedades funcionales en un bucle cerrado.

• Configuración Experimental: El marco se demostró en una biblioteca de películas delgadas ternarias de Mn-Sb-Te (MST), un sistema previamente inexplorado para aplicaciones de PCM. Se prepararon dos distribuciones composicionalmente idénticas: una recocida para alcanzar un estado cristalino para la difracción de rayos X (XRD) y otra mantenida en estado amorfo para mediciones de resistencia eléctrica. Ambas fueron montadas en instrumentos separados (un difractómetro y una estación de sonda de contacto) conectados a un servidor central mediante un modelo cliente-servidor.
• Fusión de Datos y Modelado: El núcleo de MAD es un modelo de Proceso Gaussiano (GP) de múltiples salidas que emplea un núcleo de corregionalización (específicamente, un Modelo de Coregionalización Intrínseca, ICM).
  • Descomposición Estructural: Los patrones de XRD fueron preprocesados y descompuestos mediante Factorización de Matrices No Negativas (NMF) en siete componentes de "miembros finales" (que representan posibles fases elementales, binarias y ternarias) y sus abundancias correspondientes. Esto convierte el problema de identificación de fases de un etiquetado discreto en una tarea de regresión continua, capturando las características de las fases mixtas.
  • Predicción Conjunta: Las abundancias de fase derivadas de la NMF (7 salidas) y las mediciones de resistencia eléctrica (1 salida) se concatenaron en un conjunto de datos de 8 dimensiones. Se entrenó un GP de múltiples salidas con una estructura latente de rango uno sobre estos datos para modelar la covarianza compartida entre las propiedades estructurales y funcionales.
• Toma de Decisiones: El sistema utiliza funciones de adquisición distintas para cada tarea dentro del bucle de aprendizaje activo:
  • Exploración (XRD): Se utilizó la Máxima Incertidumbre (MU) para maximizar el conocimiento de la distribución de la estructura cristalina.
  • Explotación (Resistencia): Se utilizó la Mejora Esperada (EI) para identificar la composición con la máxima resistencia eléctrica en el estado amorfo ($R_{amo}$), un factor de mérito clave para PCM.
  • El controlador central realiza una inferencia conjunta para capturar las correlaciones entre propiedades mientras toma decisiones independientes para los siguientes puntos experimentales de cada instrumento.

Resultados Clave

• Eficiencia y Velocidad: El marco MAD identificó con éxito PCMs eléctricos prometedores y mapeó la SPSPR en 25 iteraciones de bucle cerrado. Esto representa una aceleración de siete veces respecto al mapeo de rejilla convencional y una aceleración de cinco veces respecto al muestreo aleatorio. El experimento completo en vivo, incluyendo el mapeo de fases y la optimización de materiales, se completó en aproximadamente 5 horas.
• Precisión: Con solo ~42 mediciones, el sistema reconstruyó patrones de XRD con una similitud de coseno del 95% respecto a los datos experimentales. Para la optimización de materiales, el sistema convergió a la composición óptima (máxima $R_{amo}$) en menos de 25 puntos de datos, con la distancia de arrepentimiento mínimo convergiendo a cero.
• Descubrimiento de Materiales: El estudio identificó a Mn$_{28}$Sb$_{52}$Te$_{20}$ como la composición con la mayor resistencia amorfa y a Mn$_{14}$Sb$_{43}$Te$_{43}$ como la que produce el mayor contraste de resistencia ($\Delta R \approx 5$ órdenes de magnitud). El análisis reveló que la fase trigonal de MnSb$_2$Te$_4$ (indexada como componentes C0 y C2) es central para el comportamiento de cambio de fase observado.
• Benchmarking: Las comparaciones in silico de MAD frente a GPs independientes y muestreo aleatorio demostraron que el núcleo corregionalizado superó significativamente a los modelos independientes tanto en la precisión del mapeo de fases (medida por Dynamic Time Warping) como en la convergencia de la optimización. El espacio latente compartido permitió un aprendizaje coordinado, evitando el "ocio" de las tareas más simples mientras las más complejas convergían.

Significancia y Reivindicaciones
El artículo afirma que MAD establece un nuevo paradigma para las instalaciones autónomas a gran escala al permitir que los experimentos se ejecuten en paralelo en lugar de forma independiente. Al integrar flujos de datos multimodales a través de una representación latente compartida, el marco permite:

1. Elucidación de la SPSPR en Tiempo Real: La capacidad de tomar decisiones basadas en el conocimiento compartido entre estructura y función durante el experimento, en lugar de esperar al análisis post-hoc.
2. Manejo de Fases Mixtas: El uso de abundancias continuas derivadas de NMF permite al modelo capturar la física de las regiones de fases mixtas y las transiciones graduales, aspectos que los enfoques de etiquetado discreto suelen omitir.
3. Descubrimiento Acelerado: El marco reduce significativamente el tiempo y el gasto de recursos necesarios para explorar vastos espacios composicionales, como se demostró mediante la rápida identificación de nuevos candidatos a PCM en el sistema MST.

Los autores posicionan a MAD como una base versátil y modular para futuros entornos multinstrumentales co-orquestados, capaces de manejar flujos de datos heterogéneos para lograr una mejor convergencia y criterios de co-diseño de materiales.