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

Sintesi Tecnica: Apprendimento Attivo con Controllo della Qualità tramite Processi Gaussiani per l'Apprendimento Robusto Struttura-Proprietà nella Microscopia Autonoma

Problema
I sistemi sperimentali autonomi nella ricerca sui materiali mirano ad accelerare la scoperta attraverso cicli a circuito chiuso che combinano strumentazione fisica e apprendimento automatico (ML). Tuttavia, la loro efficacia è frequentemente compromessa da dati di bassa qualità e rumorosi. Questo problema è particolarmente acuto nelle attività di apprendimento struttura-proprietà, come le traduzioni Image-to-Spectrum (Im2Spec) e Spectrum-to-Image (Spec2Im), dove gli input e le etichette possono soffrire di degradazione localizzata spazialmente a causa del drift strumentale, dell'usura della punta o dell'instabilità ambientale.

Le strategie standard di apprendimento attivo (AL), che tipicamente si affidano alla stima dell'incertezza (ad esempio, tramite processi gaussiani) per selezionare campioni informativi, spesso falliscono in questi ambienti rumorosi. Esse tendono a interpretare erroneamente le misurazioni a bassa fedeltà e rumorose come altamente incerte e, di conseguenza, altamente informative. Di conseguenza, queste strategie danno priorità all'acquisizione di dati di scarsa qualità, il che svia il modello di apprendimento, ne degrada le prestazioni e porta a un campionamento inefficiente. Sebbene lavori precedenti abbiano esplorato il campionamento guidato dalla curiosità e l'apprendimento multitask, tali approcci spesso mancano di un meccanismo per filtrare esplicitamente i dati che violano i vincoli fisici o che presentano bassi rapporti segnale-rumore.

Metodologia: Framework ActiveQC
Gli autori propongono ActiveQC (Active Learning with Quality Control), un framework di apprendimento attivo a soglia (gated) progettato per integrare l'acquisizione guidata dalla curiosità con un filtro di controllo della qualità basato sulla fisica. La metodologia opera come segue:

1. Metrica di Qualità Informata dalla Fisica: Il sistema utilizza il modello dell'Oscillatore Armonico Semplice (SHO) per valutare la fedeltà degli spettri di Band Excitation Piezoresponse Spectroscopy (BEPS). Per ogni spettro candidato, il modello SHO viene adattato a tutti i punti di bias DC. Viene calcolato un punteggio di qualità come la media del coefficiente di determinazione ($R^2$) attraverso questi fit nel dominio della frequenza. Questo punteggio quantifica quanto bene la risposta misurata sia conforme alla dinamica fisica attesa.
2. Modellazione della Qualità tramite Surrogate: Un Processo Gaussiano (GP) viene addestrato per regredire questi punteggi di qualità $R^2$ attraverso il dominio spaziale del campione. Questo GP predice la fedeltà spettrale per posizioni non osservate, creando una mappa spaziale della qualità dei dati.
3. Strategia di Acquisizione a Soglia (Gated): Il processo di acquisizione impiega un meccanismo di "gating". Prima che un campione venga selezionato in base ai criteri standard di AL, il suo punteggio di qualità predetto ($q_i$) dal GP viene confrontato con una soglia predefinita ($\tau$).
   • Se $q_i < \tau$, il campione viene escluso (gated out), indipendentemente dalla sua incertezza o rappresentatività.
   • Se $q_i \geq \tau$, il campione procede alla fase di scoring.
4. Scoring dell'Acquisizione: Per i campioni che superano il gate di qualità, viene calcolato un punteggio di acquisizione unificato ($s_i$) combinando tre fattori:
   • Errore Predetto: Stimato da un modello surrogate (addestrato su feature latenti) per catturare l'errore atteso del modello base (curiosità/incertezza).
   • Distanza: Distanza euclidea nello spazio latente rispetto al set di addestramento corrente (esplorazione di regioni sottorappresentate).
   • Rappresentatività: Similarità del coseno rispetto al pool rimanente non osservato (copertura della distribuzione).
   • Il punteggio finale è una somma pesata: $s_i = \alpha \cdot \hat{e}_i + \beta \cdot d_i + \gamma \cdot r_i$.

Contributi Chiave

• Integrazione di Fisica e ML: Il documento introduce un framework che accoppia la curiosità guidata dai dati con la valutazione della qualità informata dalla fisica, garantendo che le decisioni di apprendimento attivo siano non solo ricche di informazioni ma anche fisicamente valide.
• Robustezza al Rumore Localizzato: Filtrando esplicitamente gli spettri a bassa fedeltà tramite il gating $R^2$ basato su SHO, il metodo evita l'acquisizione di dati corrotti che altrimenti degraderebbero le prestazioni del modello.
• Validazione Bidirezionale: L'approccio è validato su due compiti reciproci: Im2Spec (predire spettri da immagini AFM) e Spec2Im (ricostruire immagini da spettri), dimostrando efficacia in entrambi gli scenari di mappatura diretta e inversa.
• Implementazione in Tempo Reale: Il framework è stato implementato con successo in tempo reale su un sistema di microscopia a forza atomica (AFM), dimostrando la sua applicabilità in esperimenti autonomi live.

Risultati
Gli autori hanno valutato ActiveQC rispetto al Campionamento Casuale (Random Sampling), all'Apprendimento Attivo Standard (guidato dalla curiosità) e a un baseline di Apprendimento Multitask (ActiveMT) utilizzando un dataset pre-acquisito di film sottili di $\text{PbTiO}_3$ con rumore spazialmente localizzato indotto artificialmente.

• Task Im2Spec: ActiveQC ha superato costantemente tutti i baseline. Mentre le strategie Active standard e ActiveMT selezionavano progressivamente più campioni rumorosi (interpretandoli come regioni ad alta incertezza), ActiveQC ha imparato rapidamente a evitare il quadrante rumoroso. Ciò ha portato a un Errore Quadratico Medio (MSE) significativamente inferiore nei round di acquisizione finali. L'analisi statistica (t-test di Welch, $p < 0.05$) ha confermato la superiorità di ActiveQC.
• Task Spec2Im: Sono stati osservati trend simili. ActiveQC ha mantenuto l'errore più basso durante tutti i passi di esplorazione, particolarmente nei round successivi dove i campioni rumorosi sono diventati più prevalenti. Il baseline multitask ha mostrato un certo miglioramento rispetto all'apprendimento attivo standard, ma non è riuscito a eguagliare la robustezza del meccanismo di gating.
• Esperimenti AFM in Tempo Reale: Implementato su film sottili di $\text{BiFeO}_3$, il framework ha dimostrato la capacità di distribuire adattivamente le misurazioni. Il gating della qualità ha soppresso con successo le acquisizioni in regioni in cui la fedeltà spettrale predetta era bassa. L'analisi dei campioni trattenuti ha mostrato che i subset di alta qualità esibivano risposte elettromeccaniche più forti (aree dei loop e sensibilità maggiori) rispetto ai subset di bassa qualità, validando la rilevanza fisica del filtro.

Significatività e Rivendicazioni
Il documento sostiene che il lavoro proposto supporta una transizione verso l' "autonomia ibrida" nei laboratori auto-guidati. Gli autori sostengono che affidarsi esclusivamente alla riduzione dell'incertezza algoritmica sia insufficiente in ambienti sperimentali rumorosi. Invece, combinare la valutazione della qualità informata dalla fisica con l'apprendimento attivo è essenziale per una scoperta affidabile.

La significatività risiede nella dimostrazione che:

1. La Consapevolezza della Qualità è Critica: Ignorare la fedeltà dei dati porta all'accumulo di campioni fuorvianti, mentre il gating esplicito della qualità previene questo modo di fallimento.
2. Generalizzabilità: Sebbene dimostrato su film sottili ferroelettrici e dati BEPS, il principio di utilizzare metriche informate dalla fisica per il gating dell'apprendimento attivo è ampiamente applicabile ad altri domini scientifici dove la qualità dei dati è variabile.
3. Viabilità Pratica: Il successo del deployment in tempo reale su una piattaforma AFM prova che tali cicli controllati dalla qualità possono operare robustamente sotto vincoli sperimentali pratici, offrendo una via per una ricerca sui materiali autonoma più affidabile e de-risked.