PATHFINDER: Multi-objective discovery in structural and spectral spaces

Il paper introduce PATHFINDER, un framework per la microscopia autonoma che combina esplorazione guidata dalla novità e ottimizzazione multi-obiettivo per scoprire stati scientificamente rilevanti e diversificati negli spazi strutturale, spettrale e di misurazione, evitando la convergenza prematura su soluzioni subottimali.

L'essenziale

🧭 PATHFINDER: La Bussola per l'Esplorazione Scientifica

Immagina di essere un esploratore in una terra sconosciuta, ma invece di una mappa cartacea, hai un microscopio super-potente che può vedere l'infinitamente piccolo. Il tuo compito è scoprire nuovi tesori scientifici (materiali, strutture, proprietà) prima che ti finisca la benzina (il tempo e le risorse dell'esperimento).

Fino a poco tempo fa, gli scienziati usavano due metodi principali per esplorare, ma entrambi avevano dei difetti:

1. Il Metodo "Caccia al Tesoro Fissa": L'esploratore cerca solo cose che sa già essere interessanti (es. "cerco solo rocce rosse"). Il problema? Se c'è un diamante blu nascosto in una zona grigia, lo ignorerà perché non sa che esiste.
2. Il Metodo "Ottimizzazione Cieca": L'esploratore cerca di massimizzare un solo obiettivo (es. "cerco la roccia più pesante"). Il problema? Una volta trovata una roccia pesante, si ferma lì e smette di guardare intorno, perdendo potenziali scoperte più importanti altrove.

PATHFINDER è un nuovo "cervello artificiale" che guida il microscopio. Non sceglie solo dove guardare, ma come bilanciare due cose fondamentali:

• La Novità: "Guarda qui! Questa zona sembra strana e diversa da tutto ciò che ho visto finora!"
• L'Utilità: "Guarda qui! Questa zona sembra promettente per la mia ricerca specifica!"

---

🎨 L'Analogia del "Menu del Ristorante"

Immagina che il microscopio sia un chef che deve preparare un menu per una cena importante, ma ha solo 50 ingredienti a disposizione (il budget sperimentale).

• Il problema vecchio: Lo chef guarda solo gli ingredienti che sa già cucinare bene (es. pasta) e ne prepara 50 piatti diversi. Alla fine, il menu è noioso e non scopre nuovi sapori.
• Il problema del "Novità pura": Lo chef prova a caso 50 ingredienti strani (es. insetti, funghi velenosi). Il menu è vario, ma nessuno ha voglia di mangiare nulla di utile.

PATHFINDER è come uno chef che ha un assistente magico. L'assistente fa due cose contemporaneamente:

1. Analizza il "Gusto" (Spazio Strutturale): Guarda l'ingrediente e dice: "Questo assomiglia a qualcosa che non abbiamo mai visto prima! È una novità strutturale!" (Usa un sistema chiamato VAE, che è come un traduttore che trasforma l'immagine complessa del microscopio in un "codice segreto" semplice da capire).
2. Analizza il "Valore" (Spazio Spettrale): Chiede: "Se cuciniamo questo, quanto sarà buono il piatto finale?" (Questa è la funzione che l'scienziato vuole ottimizzare, ad esempio la conducibilità elettrica o la magnetizzazione).

L'assistente non sceglie né solo il "più strano" né solo il "più buono". Cerca il punto perfetto dove un ingrediente è abbastanza strano da essere interessante, ma abbastanza buono da valere la pena di essere cucinato.

---

🚀 Come Funziona nella Realtà (Senza Matematica Complessa)

Il paper descrive due esperimenti dove PATHFINDER ha brillato:

1. L'Esperimento "Cinema" (Dati già pronti):
   Hanno preso un filmato già girato di nanoparticelle. PATHFINDER ha guardato il filmato e ha deciso quali frame analizzare più da vicino.

   • Risultato: Invece di fermarsi sulle particelle più comuni, ha esplorato quelle rare e strane, trovando relazioni tra la forma della particella e il suo comportamento energetico che altri metodi avrebbero ignorato.

2. L'Esperimento "Live" (Microscopia in tempo reale):
   Qui non c'era un filmato. Lo scienziato ha puntato il microscopio su un materiale ferroelettrico (un materiale che reagisce all'elettricità).

   • Il gioco: Ogni volta che PATHFINDER sceglieva un punto da misurare, il microscopio lo misurava, aggiornava il "cervello" e sceglieva il prossimo punto.
   • La magia: Se PATHFINDER avesse solo cercato il punto con la risposta elettrica più forte, si sarebbe bloccato in una zona. Invece, ha continuato a saltare tra zone strutturalmente diverse, scoprendo che i punti "strani" (ai bordi dei domini magnetici) avevano risposte elettriche sorprendenti.

🌟 Perché è Importante?

Immagina di cercare un ago in un pagliaio.

• I metodi vecchi dicono: "Cerca dove c'è più paglia" (ottimizzazione locale) o "Cerca a caso" (esplorazione cieca).
• PATHFINDER dice: "Guarda dove la paglia ha una forma strana, perché lì potrebbe esserci un ago speciale che non sapevi nemmeno esistesse".

In sintesi, PATHFINDER trasforma il microscopio da una semplice "macchina fotografica" a un partner di scoperta. Non si limita a confermare ciò che sappiamo, ma ci guida verso ciò che non abbiamo ancora immaginato, bilanciando la curiosità (novità) con l'obiettivo pratico (utilità), tutto mentre l'umano può intervenire e dare indicazioni se necessario.

È come avere una bussola che non punta solo a Nord, ma ti dice: "Ehi, guarda quella montagna strana a Est, potrebbe nascondere un nuovo mondo!" 🌍🔭

Sommario tecnico

1. Il Problema: Limiti dell'Automazione Attuale

L'automazione nella caratterizzazione dei materiali (microscopia elettronica, microscopia a sonda di scansione - SPM, nanoindentazione) sta diventando cruciale per i laboratori autonomi. Tuttavia, i flussi di lavoro attuali basati sull'apprendimento automatico (ML) presentano limiti significativi:

• Ottimizzazione a obiettivo singolo: La maggior parte dei sistemi ottimizza un unico obiettivo predefinito, portando a una convergenza prematura su risposte "familiari" e trascurando stati rari ma scientificamente importanti.
• Mancanza di coordinamento: C'è una sfida fondamentale nel coordinare l'esplorazione attraverso spazi multipli (strutturale, spettrale e di misurazione) con budget sperimentali limitati.
• Fragilità nelle strategie esistenti:
  • Le strategie basate su policy fisse (ricerca di oggetti noti) dipendono dalla conoscenza a priori dell'operatore e non esplorano la variabilità completa della microstruttura.
  • Le strategie basate su reward (ricerca di firme spettrali specifiche) tendono a convergere prematuramente su ottimi locali, ignorando regioni più ampie dello spazio delle immagini.
• Multimodalità: Definire una singola politica o un singolo reward scalare per dati multimodali (immagini con diversi contrasti e spettri) è complesso e spesso non gestibile in modo sequenziale.

2. Metodologia: Il Framework PATHFINDER

Per superare queste limitazioni, gli autori introducono PATHFINDER (Policy for Active, Time-aware, Human-in-the-loop, Fidelity-adaptive Imaging, Navigation, and Discovery with Efficient Rewards). È un framework di microscopia autonoma che combina esplorazione guidata dalla novità e ottimizzazione.

Componenti Chiave:

• Rappresentazione Latente Strutturale ($R_1$):
  • Utilizza un Variational Autoencoder (VAE) per creare rappresentazioni compatte (embedding latenti) delle patch strutturali locali (es. immagini HAADF o topografia SPM).
  • Definisce un reward strutturale ($R_1$) basato sulla "novità": la distanza di un punto misurato rispetto ai punti precedentemente misurati nello spazio latente. Questo favorisce la scoperta di stati strutturali rari o poco rappresentati.
• Modellazione Surrogata della Risposta Funzionale ($R_2$):
  • Utilizza modelli surrogati (es. Processi Gaussiani con Deep Kernel Learning) per modellare la risposta funzionale (es. segnali EELS, isteresi piezoelettrica) basandosi sui dati spettrali acquisiti.
  • Definisce un reward funzionale ($R_2$) come l'obiettivo fisico di interesse (es. intensità spettrale in una certa finestra energetica o coefficiente di non linearità).
• Ottimizzazione Bayesiana Multi-Obiettivo:
  • Invece di massimizzare un singolo obiettivo, il sistema utilizza una funzione di acquisizione basata sull'aumento dell'ipervolume (Hypervolume Improvement) nello spazio congiunto $(R_1, R_2)$.
  • Questo approccio seleziona le misurazioni successive che espandono il fronte di Pareto, bilanciando la scoperta di nuove strutture (novità) con l'ottimizzazione della risposta funzionale.
• Due Formulazioni di Novità:
  • Statica: La novità è calcolata rispetto all'intera distribuzione latente iniziale.
  • Adattiva: La novità è calcolata rispetto solo ai punti già misurati durante l'esperimento. Questo spinge l'algoritmo a spostarsi continuamente verso regioni non ancora esplorate, evitando la stagnazione.
• Intervento Umano (Human-in-the-Loop): Il framework permette agli operatori umani di intervenire aggiornando le priorità, i reward o i bilanciamenti esplorazione/sfruttamento durante l'esperimento.

3. Risultati Sperimentali

Il framework è stato validato su due sistemi complementari:

A. Benchmark Pre-acquisito: Nanoparticelle STEM-EELS

• Sistema: Nanoparticelle di ossido di indio drogato con fluoro e stagno.
• Risultati: PATHFINDER ha esplorato lo spazio strutturale e spettrale senza collassare su un singolo ottimo. La traiettoria di acquisizione ha popolato un ampio set di compromessi Pareto-ottimali, mantenendo la diversità strutturale (copertura dello spazio latente VAE) mentre identificava regioni con forte risposta spettrale. A differenza delle strategie a obiettivo singolo, ha evitato di ignorare le regioni strutturalmente interessanti ma con risposta spettrale moderata.

B. Esperimento "On-the-Fly": SPM su Film Ferroelectrici (PbTiO₃)

• Sistema: Film sottili di PbTiO₃ su substrati di KTaO₃, con misurazioni di spettroscopia di forza locale.
• Risultati: L'esperimento autonomo ha iniziato da una scansione strutturale e ha selezionato sequenzialmente i punti di misura.
  • La traiettoria si è concentrata su configurazioni di dominio, giunzioni e regioni interfacciali.
  • L'approccio adattivo ha dimostrato una copertura dello spazio latente significativamente superiore rispetto alla versione statica, poiché la definizione di "novità" si aggiornava dinamicamente, spingendo il sistema a esplorare nuove regioni man mano che quelle vecchie venivano saturate.
  • I risultati hanno mostrato che le regioni strutturalmente insolite non coincidono necessariamente con quelle a massima risposta funzionale, confermando la necessità di un controllo multi-obiettivo.

4. Contributi Chiave

1. Decoupling degli Obiettivi: Separazione esplicita tra la scoperta di stati strutturali distinti (spazio delle immagini) e l'ottimizzazione della risposta funzionale (spazio spettrale), gestiti come obiettivi accoppiati ma distinti.
2. Novità Adattiva: Introduzione di una metrica di novità che evolve durante l'esperimento, prevenendo la convergenza prematura e massimizzando l'efficienza del budget sperimentale.
3. Framework Multi-Obiettivo: Applicazione dell'ottimizzazione Bayesiana multi-obiettivo (Pareto) alla microscopia autonoma per bilanciare esplorazione e sfruttamento in modo dinamico.
4. Validazione Reale: Dimostrazione del successo non solo su dati simulati/pre-acquisiti, ma in un vero esperimento autonomo in tempo reale su materiali ferroelectrici.

5. Significato e Prospettive

Il lavoro di PATHFINDER segna un cambio di paradigma nella microscopia autonoma:

• Dall'Ottimizzazione alla Scoperta: Passa da una logica puramente ottimizzatrice (trovare il massimo) a una logica di scoperta (esplorare il paesaggio struttura-proprietà).
• Robustezza: Evita il collasso su ottimi locali, garantendo una visione più completa e diversificata dei materiali.
• Scalabilità: Il framework è progettato per gestire la complessità dei dati multimodali e può essere esteso a scenari multi-fidelity e multi-modali.
• Collaborazione Uomo-Macchina: Integra l'intervento umano non come un ostacolo, ma come una componente essenziale per guidare la direzione scientifica quando i modelli surrogati diventano incerti o quando l'intento scientifico evolve.

In sintesi, PATHFINDER offre un approccio principiato per coordinare l'esplorazione in spazi complessi, permettendo di scoprire relazioni struttura-proprietà non intuitive che i metodi tradizionali a obiettivo singolo mancherebbero.