Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion

Imagine que você é um mestre cuca tentando inventar uma nova receita perfeita. Você tem uma despensa cheia de ingredientes e quer misturá-los de todas as formas possíveis para encontrar o prato que tenha o melhor sabor. Mas aqui está o detalhe: o número de combinações possíveis é tão grande que, se você tentasse cozinhar e provar cada uma delas, passaria o resto da sua vida na cozinha. Este é exatamente o problema que os cientistas enfrentam ao projetar novos materiais. Eles têm uma "despensa" de escolhas de design, como a forma de uma estrutura microscópica, e querem encontrar aquela que seja mais forte ou mais leve. Para ajudar, eles usam computadores e algoritmos inteligentes (chamados de aprendizado de máquina) para adivinhar quais receitas funcionarão sem que precisem realmente cozinhá-las primeiro. No entanto, esses computadores inteligentes geralmente precisam provar um pouco de cada tipo de receita para aprender bem. No mundo real, os cientistas muitas vezes só provam as receitas que são mais fáceis ou baratas de fazer, deixando enormes lacunas em seu conhecimento. Este artigo explora uma nova maneira inteligente de preencher essas lacunas para que possamos encontrar os melhores designs de materiais mais rapidamente, mesmo quando nossos dados são desordenados e incompletos.

Os pesquisadores por trás deste estudo, Shaan Pakala e sua equipe, enfrentaram o desafio de projetar "estruturas de treliça". Pense nelas não como blocos sólidos de metal, mas como favos de mel 3D intrincados ou andaimes feitos de pequenas hastes. Essas estruturas são incríveis porque podem ser incrivelmente fortes enquanto são muito leves, o que é perfeito para coisas como aviões ou implantes médicos. A equipe queria encontrar a versão ideal dessas treliças — aquela que oferece o melhor desempenho mecânico (como ela lida com a força) para o seu peso.

Normalmente, os cientistas usam ferramentas de aprendizado de máquina para prever como um novo design se comportará. O artigo explica que essas ferramentas funcionam muito bem quando os dados de treinamento (os exemplos dos quais o computador aprende) estão espalhados uniformemente, como polvilhar açúcar aleatoriamente sobre um bolo inteiro. Mas, na vida real, os cientistas costumam amostrar de forma desigual. Talvez eles testem apenas designs que são fáceis de construir em seu laboratório, ou designs que são baratos de fabricar. Isso cria dados "viesados", onde o computador vê algumas partes do espaço de design claramente, mas é cego para outras. Os autores descobriram que os métodos padrão de aprendizado de máquina, como Processos Gaussianos e XGBoost, têm dificuldade quando os dados são viesados; eles tendem a ficar confusos ou sofrer sobreajuste (overfitting) aos designs específicos que viram, falhando em adivinhar o desempenho dos designs não vistos.

Para resolver isso, a equipe propôs uma abordagem diferente: tratar o problema de design como um enorme quebra-cabeça multidimensional chamado "completamento de tensor". Imagine um Cubo Mágico, mas em vez de apenas cores, cada pequeno cubo contém um número representando a resistência de um material. Se você conhece apenas os números nas faces externas (porque foram esses os designs que você testou), o completamento de tensor é um truque matemático de mágica que consegue descobrir os números escondidos dentro do cubo. Os pesquisadores transformaram seus designs de materiais nesses quebra-cabeças multidimensionais, onde cada lado do quebra-cabeça representava uma variável de design diferente. Eles então usaram algoritmos para preencher as peças faltantes com base nos padrões que encontraram nas peças conhecidas.

A equipe testou este método simulando um cenário em que um experimentalista testou apenas designs em uma região específica e conveniente do espaço de busca, deixando o resto inexplorado. Eles compararam este método de "completamento de tensor" com as ferramentas padrão de aprendizado de máquina. Os resultados mostraram que, enquanto as ferramentas padrão funcionavam bem quando os dados estavam espalhados uniformemente, o método de completamento de tensor era muito melhor ao lidar com os dados viesados e desiguais. De fato, quando os dados eram viesados, o método de tensor melhorou a precisão (medida por um score R²) em cerca de 5% em comparação com o melhor método tradicional. Ele também foi capaz de prever o desempenho dos designs não vistos sem se confundir com a amostragem irregular.

O artigo sugere que esta abordagem é uma nova ferramenta poderosa para cientistas de materiais. Não afirma ter resolvido todo o problema do design de materiais, mas mostra que, ao visualizar o problema como um quebra-cabeça a ser completado, em vez de apenas uma lista de pontos de dados para memorizar, podemos fazer melhores suposições sobre novos materiais. Isso é especialmente útil quando não podemos testar todas as possibilidades. Os autores concluem que o completamento de tensor pode ser um "modelo substituto" (surrogate model) promissor — um substituto inteligente para experimentos físicos caros — para ajudar a acelerar a busca pelas estruturas de treliça perfeitas, à medida que o número de possíveis designs cresce exponencialmente. Eles até disponibilizaram o código publicamente para que outros possam testá-lo e ver se funciona para seus próprios quebra-cabeças de materiais.