PATHFINDER: Multi-objective discovery in structural and spectral spaces

Ce papier présente PATHFINDER, un cadre d'autonomie microscopique qui combine exploration de la nouveauté et optimisation multi-objectif pour découvrir des états scientifiques rares et diversifiés dans les espaces structurels et spectraux, évitant ainsi les convergences prématurées vers des optima locaux.

L'essentiel

🧭 PATHFINDER : Le Compagnon de Voyage Intelligent pour les Microscopes

Imaginez que vous êtes un explorateur dans une forêt immense et mystérieuse (le monde des matériaux microscopiques). Votre mission est de trouver des trésors cachés : des structures rares et des propriétés spéciales.

Le problème, c'est que vous avez une boussole qui ne fonctionne que d'une seule manière (les méthodes actuelles). Elle vous dit : « Va là où il y a le plus de lumière ! » (optimiser un seul objectif). Résultat ? Vous finissez toujours par vous retrouver dans la même clairière ensoleillée, en ignorant les grottes sombres mais fascinantes qui pourraient contenir des découvertes scientifiques majeures.

C'est là qu'intervient PATHFINDER. C'est un nouveau système d'intelligence artificielle conçu pour transformer le microscope en un explorateur curieux et équilibré.

🎒 Les Deux Boussoles de PATHFINDER

Au lieu de suivre une seule direction, PATHFINDER utilise deux boussoles simultanées pour décider où regarder ensuite :

1. La Boussole de la "Nouveauté" (Structure) :

   • L'analogie : Imaginez que vous regardez une carte de la forêt. La plupart des arbres sont des chênes (la structure commune). PATHFINDER cherche activement les arbres qui ne ressemblent à rien d'autre : un arbre bleu, un arbre en forme de spirale, ou un champ de fleurs inconnu.
   • En science : Le système analyse l'image du microscope pour trouver des zones qui sont "étranges" ou rares par rapport à ce qu'il a déjà vu. Il veut explorer l'inconnu.

2. La Boussole de la "Réponse" (Fonction) :

   • L'analogie : C'est comme chercher le fruit le plus sucré. Vous voulez trouver l'endroit où la réaction chimique ou électrique est la plus forte.
   • En science : Le système essaie de prédire où les propriétés du matériau (comme la conductivité ou la magnétisme) seront les plus intéressantes.

⚖️ Le Défi : Trouver l'Équilibre Parfait

Le vrai génie de PATHFINDER est qu'il ne choisit pas l'une ou l'autre boussole. Il joue à un jeu d'équilibriste.

• Le vieux système (l'optimiseur têtu) : Il voit un fruit sucré et y court. Il continue d'y revenir encore et encore, même si c'est le seul endroit qu'il connaît. Il rate tout le reste de la forêt.
• PATHFINDER (le découvreur équilibré) : Il se dit : « Ok, cet endroit est très sucré, mais il est très banal. Et cet autre endroit est bizarre (rare), mais on ne sait pas s'il est sucré. Allons vérifier l'endroit bizarre, car il pourrait être aussi sucré, ou révéler un nouveau type de fruit ! »

Il utilise une méthode mathématique (appelée optimisation bayésienne multi-objectifs) pour trouver le meilleur compromis : aller là où l'on apprend le plus, même si ce n'est pas l'endroit le plus évident.

🚀 Comment ça marche en pratique ?

L'article teste cette idée sur deux terrains de jeu :

1. Le terrain d'entraînement (Données existantes) : Les chercheurs ont utilisé des images de nanoparticules déjà prises. PATHFINDER a pu "jouer" avec ces données pour montrer qu'il trouvait des combinaisons de structures et de propriétés que les méthodes classiques rataient complètement. C'est comme si un joueur d'échecs apprenait à jouer contre lui-même pour trouver de nouvelles stratégies.
2. Le vrai terrain (Expérience en direct) : Ils ont utilisé un microscope à sonde (SPM) sur un film de matériau ferroélectrique. Ici, le microscope doit décider en temps réel : « Où je place ma pointe ensuite ? ».
   • PATHFINDER a commencé par quelques points au hasard.
   • Ensuite, il a commencé à sauter intelligemment d'une zone à l'autre, explorant à la fois les zones "bizarres" (structurellement nouvelles) et les zones "réactives".
   • Résultat : Il a découvert une plus grande variété de comportements du matériau sans gaspiller de temps ni abîmer l'échantillon.

💡 Pourquoi c'est important ?

Aujourd'hui, les scientifiques passent beaucoup de temps à régler leurs microscopes manuellement, comme un photographe qui ajuste son objectif à l'aveugle.

PATHFINDER agit comme un assistant de recherche autonome qui :

• Ne se lasse pas de répéter la même chose.
• Ne se contente pas de ce qu'il connaît déjà.
• Peut être guidé par l'humain (si le scientifique dit "Regarde ici, ça m'intéresse"), mais garde son autonomie pour explorer le reste.

En résumé

PATHFINDER, c'est passer d'un microscope qui cherche la réponse parfaite à un microscope qui cherche la découverte. C'est comme changer d'un guide touristique qui vous emmène uniquement aux sites les plus populaires, à un guide local qui vous emmène dans les ruelles secrètes pour vous faire découvrir la vraie âme de la ville.

Grâce à cela, les scientifiques peuvent découvrir des matériaux nouveaux, comprendre des phénomènes physiques cachés et accélérer l'innovation, le tout avec un budget de temps et d'énergie limité.

Résumé technique

1. Problématique

L'article aborde les limites des workflows d'apprentissage automatique (ML) actuels dans la caractérisation automatisée des matériaux (microscopie électronique, microscopie à sonde locale, nanoindentation). Les approches existantes tendent à optimiser un seul objectif prédéfini, ce qui conduit souvent à une convergence prématurée sur des réponses familières et à la négligence d'états rares mais scientifiquement cruciaux.

Le défi central n'est pas seulement de déterminer « où mesurer ensuite », mais de coordonner l'exploration à travers plusieurs espaces (structurel, spectral, modal) sous des contraintes de budget expérimental fini (temps, dose de faisceau). Il s'agit de trouver un équilibre dynamique entre :

• L'optimisation ciblée (exploiter les régions prometteuses).
• La découverte de nouveauté (explorer des états structurels ou spectraux non observés).
• La gestion des budgets limités, où la mesure de données spectrales haute densité d'information est coûteuse et parfois destructive.

Les méthodes actuelles échouent souvent car elles soit se basent sur des politiques fixes (définies a priori par l'humain), soit convergent trop vite vers un optimum local, ou ne parviennent pas à gérer efficacement la multimodalité (combinaison d'imagerie et de spectroscopie).

2. Méthodologie : Le Framework PATHFINDER

Les auteurs proposent PATHFINDER (Policy for Active, Time-aware, Human-in-the-loop, Fidelity-adaptive Imaging, Navigation, and Discovery with Efficient Rewards), un cadre d'autonomie qui intègre la découverte de nouveauté structurelle et l'optimisation de la réponse fonctionnelle.

L'approche repose sur une optimisation bayésienne multi-objectifs couplant deux branches de récompense :

• Récompense Structurelle ($R_1$) - Découverte de nouveauté :

  • Utilise un Autoencodeur Variationnel (VAE) pré-entraîné pour encoder les patchs d'images (structure locale) dans un espace latent compact.
  • La nouveauté est définie comme la distance dans l'espace latent entre un point candidat et les points déjà mesurés (ou la moyenne globale).
  • Cela permet d'identifier des motifs structuraux rares ou sous-représentés sans connaissance préalable de l'objet.
  • Deux formulations sont testées : Statique (référence à l'ensemble global des données) et Adaptative (référence uniquement aux points mesurés jusqu'à l'étape $t$).

• Récompense Fonctionnelle ($R_2$) - Optimisation de la réponse :

  • Modélisée par un surrogat (modèle de substitution, ici un processus gaussien à noyau profond) appris séquentiellement sur les données spectrales ou fonctionnelles acquises.
  • Cette récompense cible une propriété spécifique (ex: intensité EELS, non-linéarité piézoélectrique).

• Stratégie de Sélection (Acquisition) :

  • Au lieu de maximiser une seule fonction, le système maximise l'amélioration de l'hypervolume (Hypervolume Improvement) dans l'espace conjoint $(R_1, R_2)$.
  • Cela favorise les points qui étendent le front de Pareto, c'est-à-dire ceux qui offrent un compromis optimal entre la nouveauté structurelle et la performance fonctionnelle, évitant ainsi de se focaliser uniquement sur l'un ou l'autre.
  • Le framework intègre une boucle « Homme dans la boucle » (Human-in-the-loop) permettant d'ajuster les priorités ou les récompenses en temps réel.

3. Résultats Clés

Le framework a été validé sur deux systèmes expérimentaux distincts :

A. Benchmark pré-acquis (STEM-EELS) :

• Système : Nanoparticules d'oxyde d'indium dopé (fluor/étain) avec résonance plasmonique.
• Résultat : L'algorithme a réussi à explorer un large éventail de compromis sur le front de Pareto. Contrairement aux méthodes mono-objectif qui convergent rapidement vers un coin de l'espace des objectifs, PATHFINDER a maintenu une diversité structurelle tout en ciblant les régions à forte réponse spectrale. La trajectoire dans l'espace latent VAE a confirmé que le système n'a pas « effondré » sur une seule classe structurelle.

B. Expérience en temps réel (Microscopie à Sonde Locale - SPM) :

• Système : Films minces ferroélectriques de $PbTiO_3$ sur substrat $KTaO_3$.
• Résultat : L'expérience autonome a commencé par un scan structurel unique, puis a sélectionné 50 points de spectroscopie de force.
  • La sélection des points s'est concentrée sur des configurations de domaines, des jonctions et des interfaces, plutôt que sur une couverture géométrique uniforme.
  • La trajectoire dans l'espace latent a montré une exploration de régions séparées, indiquant que le contrôleur a interrogé des environnements locaux diversifiés.
  • Les résultats ont démontré que les régions structurellement « rares » ne coïncident pas toujours avec les régions à réponse fonctionnelle maximale, justifiant la nécessité d'une approche multi-objectifs.

Comparaison Statique vs Adaptative :
L'étude a comparé la définition de la nouveauté statique (référence fixe) et adaptative (référence dynamique aux mesures passées).

• La formulation adaptative a permis une couverture plus large de la variété structurelle (manifold latent).
• En redéfinissant la nouveauté à chaque étape, le système évite de rester piégé dans des bassins d'attraction locaux et est forcé d'explorer des régions structurellement inexplorées, transformant le budget de mesure en une exploration plus efficace de l'espace des états.

4. Contributions Principales

1. Cadre Multi-Objectifs Unifié : Intégration réussie de la caractérisation de la nouveauté structurelle (via VAE) et de l'optimisation de la réponse fonctionnelle (via modèles de substitution) dans un seul contrôleur.
2. Éviter l'Effondrement de l'Optimisation : Démonstration que l'utilisation de l'amélioration de l'hypervolume permet d'éviter la convergence prématurée sur un optimum apparent, favorisant au contraire la découverte de relations structure-propriété diversifiées.
3. Stratégie Adaptative de Nouveauté : Démonstration que la redéfinition dynamique de la récompense de nouveauté (par rapport à l'historique de mesure) améliore significativement l'exploration du paysage expérimental par rapport aux approches statiques.
4. Validité Expérimentale : Réalisation réussie d'une expérience autonome en boucle fermée sur un système ferroélectrique complexe, validant la méthode au-delà des simulations.

5. Signification et Perspectives

Ce travail marque un changement de paradigme dans la microscopie autonome : passer d'une optimisation purement orientée vers un objectif unique (souvent une maximisation de signal) à une approche orientée vers la découverte.

• Impact Scientifique : PATHFINDER permet de découvrir des états de la matière rares et des relations structure-propriété non triviales qui seraient manqués par les pipelines fixes ou les optimiseurs mono-objectif.
• Efficacité Expérimentale : Il maximise l'information obtenue par unité de temps ou de dose de faisceau, ce qui est crucial pour les techniques destructives ou coûteuses.
• Futur : Les auteurs suggèrent que cette approche ouvre la voie à des laboratoires autonomes véritablement « pilotés par l'hypothèse », capables de gérer des flux de travail multimodaux complexes, d'intégrer des connaissances externes et de s'adapter dynamiquement aux priorités scientifiques changeantes.

En résumé, PATHFINDER transforme la microscopie d'un outil de mesure séquentielle en un système de découverte active capable de naviguer intelligemment dans des espaces de données complexes et hétérogènes.