Graph-Structured Hyperdimensional Computing for Data-Efficient and Explainable Process-Structure-Property Prediction

Résumé Technique : Calcul Hyperdimensionnel Structuré par Graphes pour la Prédiction Efficace en Données et Explicable des Relations Processus–Structure–Propriété (PSP)

Énoncé du Problème
L'article aborde le défi de la prédiction des relations Processus–Structure–Propriété (PSP) dans la fabrication avancée, spécifiquement dans le contexte de la photoréduction multiphotonique pour les microstructures 3D. La difficulté fondamentale découle du régime « données limitées, statistiques hétérogènes » :

• Rareté et Coût des Données : La génération de points de données PSP entièrement caractérisés est coûteuse, nécessitant une fabrication contrôlée, une microscopie, une segmentation et des tests de propriétés. Par conséquent, les jeux de données sont souvent limités à quelques dizaines d'échantillons.
• Dominance des Interactions : La cartographie des paramètres de processus vers les propriétés est de haute dimension et dominée par les interactions. De petites modifications des conditions de traitement peuvent altérer drastiquement la microstructure et les performances électriques via des voies fortement couplées.
• Limites des Méthodes Existantes :
  • Chaînes Mécanistes : Elles reposent sur des sous-modèles calibrés (par exemple, modèles thermiques ou cinétiques) qui sont souvent indisponibles lors des phases de développement précoce et sujets à l'accumulation d'erreurs lorsqu'ils sont enchaînés.
  • Modèles Pilotés par les Données (Boîte Noire) : Les modèles conventionnels à vecteurs de caractéristiques (par exemple, SVM, Forêts Aléatoires, Apprentissage Profond) sont statistiquement sous-déterminés dans ce régime. Ils ont tendance à apprendre des corrélations spuries, spécifiques au régime, plutôt que des dépendances causales transférables, entraînant une mauvaise généralisation à des conditions de processus non vues et des explications post-hoc instables.
  • Réseaux de Neurones à Graphes (GNN) : Bien que les GNN encodent une structure relationnelle, l'apprentissage des poids des arêtes ou des motifs d'attention à partir de quelques dizaines d'échantillons est statistiquement sous-déterminé, conduisant souvent à des couplages fragiles et spécifiques au régime.

Méthodologie : PSP-HDC
Les auteurs proposent PSP-HDC, un cadre de Calcul Hyperdimensionnel (HDC) structuré par graphes conçu pour opérer sous ces contraintes. La méthodologie traite le graphe PSP dirigé (Processus $\to$ Structure $\to$ Propriété) non pas comme une annotation, mais comme une priorité structurelle interne fixe dictant la représentation et l'inférence.

1. Représentation Structurée par Graphes :

   • Le domaine PSP est défini comme un graphe dirigé où les nœuds représentent des paramètres scalaires (processus ou structure) et les arêtes représentent les dépendances autorisées.
   • Composition : Le cadre utilise les opérateurs HDC — liaison (produit de Hadamard) et regroupement (addition vectorielle) — pour composer les représentations.
   • Alignement du Graphe : Les dépendances dirigées sont encodées en liant des groupes d'hypervecteurs le long des arêtes du graphe. Cela garantit que les termes d'interaction n'existent que là où le graphe les autorise, imposant l'ordre processus-vers-structure-vers-propriété et empêchant les couplages de raccourci.

2. Encodeur Scalaires-vers-Hypervecteurs Apprenable :

   • Une innovation clé est un encodeur apprenable qui mappe des scalaires expérimentaux hétérogènes (avec des échelles et du bruit variables) vers des hypervecteurs.
   • Contrairement au HDC standard qui utilise des projections aléatoires fixes pour toutes les variables, PSP-HDC apprend des encodages spécifiques aux paramètres ($e_j$) sur une base aléatoire fixe de haute dimension ($B$).
   • Cela permet au modèle de calibrer les représentations de nœuds aux statistiques spécifiques de chaque chaîne de mesure avant la composition du graphe, préservant la tolérance au bruit du HDC tout en s'adaptant à l'hétérogénéité expérimentale.

3. Inférence par Mémoire Associative :

   • Les prototypes de classe sont formés en regroupant les hypervecteurs des échantillons d'entraînement au sein de chaque classe.
   • La prédiction est effectuée en récupérant le prototype de classe présentant la plus grande similarité cosinus avec l'hypervecteur de l'échantillon interrogé.
   • Cela fournit une règle de décision explicite basée sur les marges de similarité.

4. Explicabilité Intrinsèque :

   • Les explications sont dérivées directement des mêmes mémoires de prototypes utilisées pour la prédiction, évitant toute reconstruction post-hoc.
   • Attribution Multi-niveaux : Le modèle décompose les preuves de décision en :
     • Niveau Paramètre : Contribution des scalaires individuels.
     • Niveau Groupe : Contribution des groupes motivés par la physique (par exemple, composition élémentaire, morphologie des pores).
     • Au sein du Groupe : Contribution relative des paramètres au sein d'un groupe spécifique.
   • Alignement et Séparation des Mémoires (MAS) : Une nouvelle métrique est introduite pour quantifier la dynamique d'apprentissage. Elle mesure la qualité de l'alignement des mémoires de composantes avec leur prototype de classe correct et leur séparation par rapport aux prototypes concurrents durant l'entraînement.

Contributions Clés

• Priorité Structurelle Interne : L'introduction d'un graphe PSP dirigé défini par le domaine comme contrainte computationnelle plutôt que comme annotation externe, convertissant la causalité en une priorité structurelle pour l'apprentissage avec peu de données.
• Cadre PSP-HDC : Un modèle HDC structuré par graphes qui impose la topologie PSP via des liaisons/regroupements alignés sur le graphe et effectue la prédiction par récupération de prototypes.
• Encodeur Adaptatif : Un encodeur scalaires-vers-hypervecteurs apprenable qui fait l'interface entre des données expérimentales hétérogènes et bruyantes et le cadre HDC via des encodages spécifiques aux paramètres.
• Explicabilité Alignée sur le Graphe : Mécanismes d'attribution intrinsèques aux niveaux paramètre, groupe et au sein du groupe fournissant des preuves d'effets couplés adaptées à la planification des processus.
• Diagnostics d'Apprentissage : La proposition de l'Alignement et de la Séparation des Mémoires (MAS) pour quantifier la formation des prototypes et relier la géométrie de la mémoire aux marges de récupération.

Résultats Expérimentaux
La méthode a été évaluée sur un jeu de données de 60 spécimens fabriqués à l'aide de la plateforme 3D OHMIC (photoréduction multiphotonique de AgNO$_3$). La tâche était une classification binaire de la résistance de feuille (faible vs élevée).

• Performance avec Division Aléatoire : PSP-HDC a atteint une précision moyenne de 0,910 ± 0,077 sur 1000 divisions aléatoires 80/20, surpassant des bases de référence solides (SVM, Régression Logistique, Forêts Aléatoires, CNN, GPC) qui se situaient autour de 0,875–0,885.
• Généralisation par Pli de Processus : Dans le cadre de retenues de régime (entraînement sur certaines conditions de processus, test sur d'autres entièrement non vues), PSP-HDC a atteint une précision moyenne de 0,896. Il est resté stable face aux décalages de distribution (par exemple, différentes concentrations de AgNO$_3$ ou puissances laser), alors que de nombreuses bases de référence se sont dégradées de manière significative (par exemple, chutant à ~0,5–0,6 dans des retenues spécifiques).
• Dynamique d'Apprentissage : L'analyse a montré que l'entraînement affine la séparation des classes non seulement en déplaçant les prototypes, mais en améliorant l'encodage des échantillons vers leurs prototypes corrects. Les métriques MAS ont confirmé une augmentation de l'alignement et de la séparation aux niveaux paramètre et groupe.
• Explicabilité : Les attributions ont révélé que les résultats de faible résistance sont pilotés par la composition chimique conjointe et la morphologie, tandis que les résultats de haute résistance sont pilotés par la dispersion de la géométrie des pores et les conditions de processus, reflétant la nature couplée de la physique.

Signification et Revendications
L'article revendique que PSP-HDC offre une solution robuste pour les problèmes de fabrication en pénurie de données où la topologie des interactions est connue mais où les données sont insuffisantes pour l'apprendre à partir de zéro. En passant des vecteurs de caractéristiques plats à une composition relationnelle contrainte, la méthode évite le surajustement aux corrélations spuries et fournit des preuves conscientes des dépendances plutôt que des récits post-hoc instables.

Les auteurs soulignent que PSP-HDC est un modèle d'aide à la décision léger, et non un substitut à la validation mécaniste. Sa fiabilité dépend d'un graphe PSP bien construit et de descripteurs physiquement significatifs. L'approche est présentée comme particulièrement précieuse pour le développement de processus en phase précoce, la priorisation des expériences et les problèmes d'automatisation où les données sont rares mais où les structures de dépendance sont connues. Le travail démontre que le HDC structuré par graphes peut récupérer un couplage PSP transférable à partir de petits ensembles de données hétérogènes, surpassant à la fois les chaînes mécanistes traditionnelles et les modèles standards pilotés par les données dans des régimes caractérisés par un fort couplage et un nombre limité d'échantillons.