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

तकनीकी सारांश: स्वायत्त सूक्ष्मदर्शी (Autonomous Microscopy) में सुदृढ़ संरचना-गुण aprendizaje (Structure–Property Learning) के लिए गॉसियन प्रक्रियाओं के माध्यम से गुणवत्ता-नियंत्रित सक्रिय शिक्षण (Active Learning)

समस्या विवरण
सामग्री अनुसंधान (Materials Research) में स्वायत्त प्रयोगात्मक प्रणालियों का लक्ष्य भौतिक उपकरणों और मशीन लर्निंग (ML) के संयोजन वाले क्लोज्ड-लूप चक्रों के माध्यम से खोज को गति देना है। हालाँकि, इनकी प्रभावकारिता अक्सर निम्न-गुणवत्ता वाले, शोरयुक्त (noisy) डेटा के कारण बाधित होती है। यह समस्या संरचना-गुण शिक्षण कार्यों, जैसे कि इमेज-टू-स्पेक्ट्रम (Im2Spec) और स्पेक्ट्रम-टू-इमेज (Spec2Im) अनुवादों में विशेष रूप से गंभीर है, जहाँ उपकरण के ड्रिफ्ट (drift), टिप के घिसने या पर्यावरणीय अस्थिरता के कारण इनपुट और लेबल स्थानिक रूप से स्थानीयकृत गिरावट (spatially localized degradation) से ग्रस्त हो सकते हैं।

मानक सक्रिय शिक्षण (Active Learning - AL) रणनीतियाँ, जो आमतौर पर अनिश्चितता अनुमान (जैसे कि गॉसियन प्रक्रियाओं के माध्यम से) पर निर्भर करती हैं, इन शोरयुक्त वातावरणों में विफल हो जाती हैं। वे निम्न-विश्वसनीयता वाले, शोरयुक्त मापों को उच्च-अनिश्चितता और इसलिए अत्यधिक सूचनात्मक समझने की गलती करती हैं। फलस्वरूप, ये रणनीतियाँ खराब गुणवत्ता वाले डेटा को प्राप्त करने को प्राथमिकता देती हैं, जो लर्निंग मॉडल को गुमराह करता है, प्रदर्शन को कम करता है और अक्षम सैंपलिंग की ओर ले जाता है। हालांकि पूर्व के कार्यों में जिज्ञासा-संचालित (curiosity-driven) सैंपलिंग और मल्टीटास्क लर्निंग का अन्वेषण किया गया है, लेकिन इन दृष्टिकोणों में अक्सर उस डेटा को स्पष्ट रूप से फ़िल्टर करने के लिए तंत्र का अभाव होता है जो भौतिक बाधाओं का उल्लंघन करता है या जिसमें सिग्नल-टू-नॉइज़ अनुपात कम होता है।

कार्यप्रणाली: ActiveQC फ्रेमवर्क
लेखक ActiveQC (क्वालिटी कंट्रोल के साथ एक्टिव लर्निंग) का प्रस्ताव करते हैं, जो एक गेटेड सक्रिय शिक्षण फ्रेमवर्क है जिसे जिज्ञासा-संचालित अधिग्रहण (acquisition) को भौतिकी-आधारित गुणवत्ता नियंत्रण फ़िल्टर के साथ एकीकृत करने के लिए डिज़ाइन किया गया है। यह कार्यप्रणाली इस प्रकार संचालित होती है:

1. भौतिकी-आधारित गुणवत्ता मीट्रिक (Physics-Informed Quality Metric): सिस्टम बैंड एक्साइटेशन पीज़ोरेस्पॉन्स स्पेक्ट्रोस्कोपी (BEPS) स्पेक्ट्रा की विश्वसनीयता का मूल्यांकन करने के लिए सिंपल हार्मोनिक ऑसिलेटर (SHO) मॉडल का उपयोग करता है। प्रत्येक संभावित स्पेक्ट्रम के लिए, SHO मॉडल को सभी DC बायस बिंदुओं पर फिट किया जाता है। एक गुणवत्ता स्कोर की गणना इन फ्रीक्वेंसी-डोमेन फिट्स के माध्य निर्धारण गुणांक ($R^2$) के रूप में की जाती है। यह स्कोर मात्रात्मक रूप से यह बताता है कि मापा गया रिस्पॉन्स अपेक्षित भौतिक गतिकी (physical dynamics) के साथ कितनी अच्छी तरह मेल खाता है।
2. सरोगेट क्वालिटी मॉडलिंग: एक गॉसियन प्रोसेस (GP) को नमूने के स्थानिक डोमेन (spatial domain) में इन $R^2$ गुणवत्ता स्कोरों को रिग्रेस करने के लिए प्रशिक्षित किया जाता है। यह GP अनदेखे स्थानों के लिए स्पेक्ट्रल फिडेलिटी (spectral fidelity) की भविष्यवाणी करता है, जिससे डेटा गुणवत्ता का एक स्थानिक मानचित्र तैयार होता है।
3. गेटेड अधिग्रहण रणनीति (Gated Acquisition Strategy): अधिग्रहण प्रक्रिया एक "गेटिंग" तंत्र का उपयोग करती है। मानक AL मानदंडों के आधार पर नमूना चुनने से पहले, GP से प्राप्त इसके अनुमानित गुणवत्ता स्कोर ($q_i$) की जाँच एक पूर्व-निर्धारित थ्रेशोल्ड ($\tau$) से की जाती है।
   • यदि $q_i < \tau$, तो नमूने को (अनिश्चितता या प्रतिनिधित्व के बावजूद) बाहर (gate out) कर दिया जाता है।
   • यदि $q_i \geq \tau$, तो नमूना स्कोरिंग चरण में आगे बढ़ता है।
4. अधिग्रहण स्कोरिंग (Acquisition Scoring): जो नमूने गुणवत्ता गेट को पार कर जाते हैं, उनके लिए तीन कारकों को जोड़कर एक एकीकृत अधिग्रहण स्कोर ($s_i$) की गणना की जाती है:
   • अनुमानित त्रुटि (Predicted Error): बेस मॉडल की अपेक्षित त्रुटि (जिज्ञासा/अनिश्चितता) को पकड़ने के लिए एक सरोगेट मॉडल (लेटेंट फीचर्स पर प्रशिक्षित) द्वारा अनुमानित।
   • दूरी (Distance): वर्तमान प्रशिक्षण सेट में लेटेंट स्पेस में यूक्लिडियन दूरी (अल्प-प्रतिनिधित्व वाले क्षेत्रों का अन्वेषण)।
   • प्रतिनिधित्व (Representativeness): शेष अनदेखे पूल के साथ कोसाइन समानता (वितरण का कवरेज)।
   • अंतिम स्कोर एक भारित योग है: $s_i = \alpha \cdot \hat{e}_i + \beta \cdot d_i + \gamma \cdot r_i$।

प्रमुख योगदान

• भौतिकी और ML का एकीकरण: यह पेपर एक ऐसा फ्रेमवर्क पेश करता है जो डेटा-संचालित जिज्ञासा को भौतिकी-आधारित गुणवत्ता मूल्यांकन के साथ जोड़ता है, यह सुनिश्चित करता है कि सक्रिय शिक्षण निर्णय न केवल सूचना-समृद्ध हों बल्कि भौतिक रूप से भी वैध हों।
• स्थानीयकृत शोर के प्रति सुदृढ़ता: SHO-आधारित $R^2$ गेटिंग के माध्यम से निम्न-विश्वसनीयता वाले स्पेक्ट्रा को स्पष्ट रूप से फ़िल्टर करके, यह विधि उन दूषित डेटा को प्राप्त करने से रोकती है जो अन्यथा मॉडल के प्रदर्शन को खराब कर सकते हैं।
• द्विदिश सत्यापन (Bidirectional Validation): इस दृष्टिकोण को दो पारस्परिक कार्यों पर मान्य किया गया है: Im2Spec (AFM छवियों से स्पेक्ट्रा की भविष्यवाणी करना) और Spec2Im (स्पेक्ट्रा से छवियों का पुनर्निर्माण), जो फॉरवर्ड और इनवर्स मैपिंग दोनों परिदृश्यों में प्रभावकारिता प्रदर्शित करते हैं।
• रियल-टाइम परिनियोजन: इस फ्रेमवर्क को सफलतापूर्वक एक परमाणु बल सूक्ष्मदर्शी (AFM) प्रणाली पर रियल-टाइम में तैनात किया गया, जो स्वायत्त प्रयोगों में इसकी प्रयोज्यता को प्रदर्शित करता है।

परिणाम
लेखकों ने कृत्रिम रूप से स्थानिक रूप से स्थानीयकृत शोर (spatially localized noise) उत्पन्न की गई PbTiO3 पतली फिल्मों के प्री-एक्वायर्ड डेटासेट का उपयोग करके ActiveQC का रैंडम सैंपलिंग, मानक सक्रिय लर्निंग (जिज्ञासा-संचालित), और एक मल्टीटास्क लर्निंग बेसलाइन (ActiveMT) के विरुद्ध मूल्यांकन किया।

• Im2Spec कार्य: ActiveQC ने सभी बेसलाइनों को लगातार पछाड़ दिया। जबकि मानक एक्टिव और ActiveMT रणनीतियाँ धीरे-धीरे अधिक शोर वाले नमूनों को चुनती रहीं (शोर वाले क्षेत्रों को उच्च-अनिश्चितता के रूप में व्याख्या करते हुए), ActiveQC ने शोर वाले चतुर्थांश (quadrant) से बचना तेजी से सीख लिया। इसके परिणामस्वरूप अंतिम अधिग्रहण राउंड में काफी कम मीन स्क्वेर्ड एरर (MSE) प्राप्त हुआ। सांख्यिकीय विश्लेषण (Welch's t-test, $p < 0.05$) ने ActiveQC की श्रेष्ठता की पुष्टि की।
• Spec2Im कार्य: समान रुझान देखे गए। ActiveQC ने अन्वेषण चरणों के दौरान, विशेष रूप से बाद के राउंड में जहाँ शोर वाले नमूने अधिक प्रचलित हो गए थे, सबसे कम त्रुटि बनाए रखी। मल्टीटास्क बेसलाइन ने मानक सक्रिय लर्निंग की तुलना में कुछ सुधार दिखाया, लेकिन गेटिंग तंत्र की सुदृढ़ता की बराबरी करने में विफल रहा।
• रियल-टाइम AFM प्रयोग: BiFeO3 पतली फिल्मों पर तैनात किए जाने पर, फ्रेमवर्क ने अनुकूल रूप से मापन (measurements) वितरित करने की क्षमता प्रदर्शित की। क्वालिटी गेटिंग ने उन क्षेत्रों में अधिग्रहण को सफलतापूर्वक दबा दिया जिनके लिए कम स्पेक्ट्रल फिडेलिटी की भविष्यवाणी की गई थी। रिटेन किए गए नमूनों के विश्लेषण से पता चला कि उच्च-गुणवत्ता वाले उपसमुच्चयों (subsets) में निम्न-गुणवत्ता वाले उपसमुच्चयों की तुलना में मजबूत इलेक्ट्रोमैकेनिकल रिस्पॉन्स (बड़े लूप क्षेत्र और संवेदनशीलता) प्रदर्शित हुए, जो फ़िल्टर की भौतिक प्रासंगिकता को प्रमाणित करता है।

महत्व और दावे
यह पेपर दावा करता है कि प्रस्तावित कार्य 'सेल्फ-ड्राइविंग लैब्स' में "हाइब्रिड ऑटोनॉमी" की ओर बढ़ने का समर्थन करता है। लेखक तर्क देते हैं कि शोर वाले प्रयोगात्मक वातावरण में केवल एल्गोरिथम अनिश्चितता न्यूनीकरण पर निर्भर रहना पर्याप्त नहीं है। इसके बजाय, विश्वसनीय खोज के लिए भौतिकी-आधारित गुणवत्ता मूल्यांकन को सक्रिय निर्णय लेने के साथ जोड़ना आवश्यक है।

इसका महत्व इस प्रदर्शन में निहित है कि:

1. गुणवत्ता जागरूकता महत्वपूर्ण है: डेटा फिडेलिटी की अनदेखी करने से भ्रामक नमूनों का संचय होता है, जबकि स्पष्ट गुणवत्ता गेटिंग इस विफलता मोड को रोकता है।
2. सामान्यीकरण (Generalizability): हालांकि इसे फेरोइलेक्ट्रिक पतली फिल्मों और BEPS डेटा पर प्रदर्शित किया गया है, लेकिन सक्रिय लर्निंग को गेट करने के लिए भौतिकी-आधारित मेट्रिक्स का उपयोग करने का सिद्धांत अन्य वैज्ञानिक डोमेन में व्यापक रूप से लागू किया जा सकता है जहाँ डेटा की गुणवत्ता परिवर्तनशील होती है।
3. व्यावहारिक व्यवहार्यता: AFM प्लेटफॉर्म पर सफल रियल-टाइम परिनियोजन यह सिद्ध करता है कि ऐसे गुणवत्ता-नियंत्रित लूप व्यावहारिक प्रयोगात्मक बाधाओं के तहत मजबूती से कार्य कर सकते हैं, जो अधिक विश्वसनीय और जोखिम-मुक्त स्वायत्त सामग्री अनुसंधान के लिए एक मार्ग प्रदान करते हैं।