Quality-Controlled Active Learning via Gaussian Processes for Robust Structure-Property Learning in Autonomous Microscopy

Résumé Technique : Apprentissage Actif à Contrôle Qualité par Processus Gaussiens pour un Apprentissage Robuste des Relations Structure-Propriété en Microscopie Autonome

Énoncé du Problème
Les systèmes expérimentaux autonomes dans la recherche sur les matériaux visent à accélérer la découverte grâce à des cycles en boucle fermée combinant l'instrumentation physique et l'apprentissage automatique (ML). Cependant, leur efficacité est fréquemment compromise par des données de faible qualité et bruitées. Ce problème est particulièrement aigu dans les tâches d'apprentissage structure-propriété, telles que les traductions Image-vers-Spectre (Im2Spec) et Spectre-vers-Image (Spec2Im), où les entrées et les étiquettes peuvent souffrir d'une dégradation localisée spatialement due à la dérive des instruments, l'usure de la pointe ou l'instabilité environnementale.

Les stratégies d'apprentissage actif (AL) standard, qui reposent généralement sur l'estimation de l'incertitude (par exemple, via des processus gaussiens) pour sélectionner des échantillons informatifs, échouent souvent dans ces environnements bruités. Elles ont tendance à interpréter des mesures de faible fidélité et bruitées comme étant hautement incertaines et donc hautement informatives. Par conséquent, ces stratégies privilégient l'acquisition de données de mauvaise qualité, ce qui induit le modèle d'apprentissage en erreur, dégrade les performances et conduit à un échantillonnage inefficace. Bien que des travaux antérieurs aient exploré l'échantillonnage piloté par la curiosité et l'apprentissage multitâche, ces approches manquent souvent d'un mécanisme pour filtrer explicitement les données qui violent les contraintes physiques ou présentent des rapports signal sur bruit faibles.

Méthodologie : Cadre ActiveQC
Les auteurs proposent ActiveQC (Apprentissage Actif avec Contrôle Qualité), un cadre d'apprentissage actif à porte (gated) conçu pour intégrer l'acquisition pilotée par la curiosité à un filtre de contrôle qualité fondé sur la physique. La méthodologie opère comme suit :

1. Métrique de Qualité Fondée sur la Physique : Le système utilise le modèle de l'oscillateur harmonique simple (SHO) pour évaluer la fidélité des spectres de spectroscopie de piézoréponse par excitation de bande (BEPS). Pour chaque spectre candidat, le modèle SHO est ajusté à tous les points de polarisation DC. Un score de qualité est calculé comme le coefficient de détermination moyen ($R^2$) à travers ces ajustements dans le domaine fréquentiel. Ce score quantifie la manière dont la réponse mesurée se conforme aux dynamiques physiques attendues.
2. Modélisation de la Qualité par Substitution : Un processus gaussien (GP) est entraîné pour régresser ces scores de qualité $R^2$ à travers le domaine spatial de l'échantillon. Ce GP prédit la fidélité spectrale pour les localisations non observées, créant ainsi une carte spatiale de la qualité des données.
3. Stratégie d'Acquisition à Porte : Le processus d'acquisition emploie un mécanisme de « porte » (gating). Avant qu'un échantillon ne soit sélectionné selon les critères standards d'AL, son score de qualité prédit ($q_i$) par le GP est vérifié par rapport à un seuil prédéfini ($\tau$).
   • Si $q_i < \tau$, l'échantillon est exclu (filtré par la porte), indépendamment de son incertitude ou de sa représentativité.
   • Si $q_i \geq \tau$, l'échantillon passe à la phase de notation.
4. Notation de l'Acquisition : Pour les échantillons qui passent la porte de qualité, un score d'acquisition unifié ($s_i$) est calculé en combinant trois facteurs :
   • Erreur Prédite : Estimée par un modèle de substitution (entraîné sur des caractéristiques latentes) pour capturer l'erreur attendue du modèle de base (curiosité/incertitude).
   • Distance : Distance euclidienne dans l'espace latent par rapport à l'ensemble d'entraînement actuel (exploration des régions sous-représentées).
   • Représentativité : Similitude cosinus par rapport au pool non observé restant (couverture de la distribution).
   • Le score final est une somme pondérée : $s_i = \alpha \cdot \hat{e}_i + \beta \cdot d_i + \gamma \cdot r_i$.

Contributions Clés

• Intégration de la Physique et du ML : Le papier introduit un cadre qui couple la curiosité pilotée par les données avec une évaluation de la qualité fondée sur la physique, garantissant que les décisions d'apprentissage actif sont non seulement riches en informations mais aussi physiquement valides.
• Robustesse au Bruit Localisé : En filtrant explicitement les spectres de faible fidélité via le filtrage par $R^2$ du modèle SHO, la méthode empêche l'acquisition de données corrompues qui dégraderaient autrement les performances du modèle.
• Validation Bidirectionnelle : L'approche est validée sur deux tâches récipques : Im2Spec (prédire des spectres à partir d'images AFM) et Spec2Im (reconstruire des images à partir de spectres), démontrant une efficacité dans les scénarios de cartographie directe et inverse.
• Déploiement en Temps Réel : Le cadre a été déployé avec succès en temps réel sur un système de microscopie à force atomique (AFM), démontrant son applicabilité dans des expériences autonomes en direct.

Résultats
Les auteurs ont évalué ActiveQC par rapport à l'échantillonnage aléatoire, à l'apprentissage actif standard (piloté par la curiosité) et à une ligne de base d'apprentissage multitâche (ActiveMT) en utilisant un ensemble de données pré-acquis de films minces de $\text{PbTiO}_3$ avec un bruit spatialement localisé artificiellement induit.

• Tâche Im2Spec : ActiveQC a systématiquement surpassé toutes les lignes de base. Alors que les stratégies d'apprentissage actif standard et ActiveMT sélectionnaient progressivement davantage d'échantillons bruités (interprétant ces derniers comme des régions de haute incertitude), ActiveQC a rapidement appris à éviter le quadrant bruité. Cela a entraîné une erreur quadratique moyenne (MSE) nettement plus faible lors des derniers cycles d'acquisition. L'analyse statistique (test t de Welch, $p < 0,05$) a confirmé la supériorité d'ActiveQC.
• Tâche Spec2Im : Des tendances similaires ont été observées. ActiveQC a maintenu l'erreur la plus basse tout au long des étapes d'exploration, particulièrement dans les cycles tardifs où les échantillons bruités devenaient plus prévalents. La ligne de base multitâche a montré une certaine amélioration par rapport à l'apprentissage actif standard, mais n'a pas réussi à égaler la robustesse du mécanisme de porte.
• Expériences AFM en Temps Réel : Déployé sur des films minces de $\text{BiFeO}_3$, le cadre a démontré sa capacité à distribuer les mesures de manière adaptative. Le filtrage de qualité a réussi à supprimer les acquisitions dans les régions où la fidélité spectrale prédite était faible. L'analyse des échantillons retenus a montré que les sous-ensembles de haute qualité présentaient des réponses électromécaniques plus fortes (aires de boucles et sensibilité plus grandes) par rapport aux sous-ensembles de faible qualité, validant la pertinence physique du filtre.

Signification et Revendications
Le papier affirme que le travail proposé soutient un passage vers une « autonomie hybride » dans les laboratoires auto-dirigés. Les auteurs soutiennent que compter uniquement sur la réduction algorithmique de l'incertitude est insuffisant dans des environnements expérimentaux bruités. Au lieu de cela, combiner l'évaluation de la qualité fondée sur la physique avec la prise de décision active est essentiel pour une découverte fiable.

La signification réside dans la démonstration que :

1. La Conscience de la Qualité est Critique : Ignorer la fidélité des données conduit à l'accumulation d'échantillons trompeurs, tandis qu'un filtrage de qualité explicite prévient ce mode de défaillance.
2. Généralisabilité : Bien que démontré sur des films minces ferroélectriques et des données BEPS, le principe de l'utilisation de métriques fondées sur la physique pour filtrer l'apprentissage actif est largement applicable à d'autres domaines scientifiques où la qualité des données est variable.
3. Viabilité Pratique : Le déploiement réussi en temps réel sur une plateforme AFM prouve que de telles boucles contrôlées par la qualité peuvent fonctionner de manière robuste sous des contraintes expérimentales pratiques, offrant une voie vers une recherche sur les matériaux autonome plus fiable et moins risquée.