Multi-objective Bayesian Optimization with Human-in-the-Loop for Flexible Neuromorphic Electronics Fabrication

Este trabalho apresenta um framework que combina otimização bayesiana multiobjetivo com um ciclo humano-no-loop para acelerar a fabricação de eletrônicos neuromórficos flexíveis, otimizando as condições de cura fotônica de dielétricos de óxido de alumínio para equilibrar alta dispersão de capacitância e baixa corrente de fuga.

O essencial

Imagine que você é um chef tentando criar o prato perfeito para um restaurante de alta tecnologia. O seu objetivo é cozinhar um "ingrediente mágico" (um filme de óxido de alumínio) que será usado em computadores do futuro, chamados neuromórficos. Esses computadores são inspirados no cérebro humano e precisam ser flexíveis, como uma folha de plástico, para serem usados em roupas inteligentes ou sensores adesivos.

O problema? O "forno" que você usa para cozinhar esse ingrediente é muito complicado. Ele usa flashes de luz ultrarrápidos (chamados cura fotônica) para transformar um líquido em um sólido em milissegundos. Se você usar muita luz, o ingrediente queima. Se usar de menos, ele não cozinha nada. E se a temperatura estiver errada, o prato estraga.

Existem cinco botões nesse forno (energia, número de flashes, duração, etc.), e tentar descobrir a combinação perfeita testando uma por uma seria como tentar achar uma agulha em um palheiro de 4 milhões de palhas. Seria impossível e custaria uma fortuna em ingredientes estragados.

A Solução: O Chef Robô com um "Guru" Humano

Para resolver isso, os cientistas usaram uma inteligência artificial chamada Otimização Bayesiana Multi-objetivo. Pense nela como um chef robô muito esperto que aprende com cada tentativa.

O robô tem dois objetivos que brigam entre si (como tentar ser ao mesmo tempo o mais rápido e o mais forte do mundo):

1. Maximizar a "memória" do ingrediente: Ele precisa ter uma certa propriedade elétrica que permite ao computador "lembrar" coisas por um instante (como um neurônio).
2. Minimizar o "vazamento": O ingrediente não pode deixar a energia escapar (como um balão furado), senão o computador não funciona.

O robô começa testando combinações aleatórias. Mas, na vida real, muitos testes falham: o filme queima, fica manchado ou não gruda no plástico. Quando o robô vê apenas os resultados dos pratos que deram certo, ele fica confuso e continua sugerindo combinações que, na verdade, vão queimar o próximo lote. É como se ele tentasse cozinhar no fogo, sem saber que o fogão está desligado.

A Grande Inovação: O "Guru" Humano no Controle

Aqui entra a parte genial do artigo: o Humano no Loop (HITL).

Em vez de deixar o robô sozinho, os cientistas colocaram um Guru Humano (um pesquisador experiente) para dar uma nota rápida para cada tentativa, mesmo que ela tenha falhado.

• O robô pergunta: "Como ficou o filme?"
• O humano olha e diz: "Queimou totalmente" (nota ruim), "Cozinhou só um pouco" (nota média) ou "Ficou perfeito" (nota ótima).

Essa nota subjetiva é transformada em dados para o robô. Agora, o robô sabe: "Ah, quando eu uso muita energia, o humano diz que queima. Vou evitar essa região do fogão!".

A analogia do GPS:
Imagine que você está dirigindo em uma cidade cheia de buracos (falhas experimentais).

• Sem o humano: O GPS (robô) só sabe onde você chegou com sucesso. Ele continua mandando você para os buracos porque não sabe que eles existem, achando que são apenas "áreas não exploradas".
• Com o humano: Você avisa o GPS: "Ei, essa rua tem um buraco gigante, não vá lá". O GPS atualiza o mapa instantaneamente e começa a sugerir rotas que evitam os buracos, chegando ao destino muito mais rápido e sem estragar o carro.

O Resultado

Com a ajuda desse "Guru Humano":

1. Menos desperdício: O robô aprendeu a evitar as combinações que estragam o material.
2. Mais rápido: Eles encontraram as melhores combinações em muito menos tentativas do que teriam feito sozinhos.
3. O "Menu" Perfeito: Eles não encontraram apenas uma combinação perfeita, mas um leque de opções (chamado de Fronteira de Pareto). É como ter um menu onde você pode escolher: "Quero o prato mais seguro (menos vazamento)" ou "Quero o prato com mais memória (mais dispersão)", e o robô te dá a receita exata para cada escolha.

Conclusão

Este trabalho mostra que, na ciência de materiais, a intuição humana ainda é insubstituível. Ao misturar a velocidade e a capacidade de cálculo de uma IA com o olhar experiente de um cientista humano, é possível resolver problemas complexos de fabricação de eletrônicos flexíveis de forma muito mais eficiente, economizando tempo, dinheiro e recursos. É a união perfeita entre o cérebro humano e o cérebro da máquina.

Resumo técnico

Resumo Técnico: Otimização Bayesiana Multi-objetivo com Humano no Loop para Fabricação de Eletrônica Neuromórfica Flexível

1. Problema e Contexto

O avanço da computação neuromórfica exige hardware flexível capaz de operar na borda (edge computing), utilizando materiais de óxido metálico. No entanto, a fabricação de dispositivos neuromórficos flexíveis enfrenta desafios significativos devido à incompatibilidade entre os óxidos metálicos e os substratos poliméricos. Especificamente, os processos tradicionais de tratamento térmico exigem temperaturas elevadas que danificam os substratos flexíveis.

A cura fotônica (usando luz de xenônio em milissegundos) surge como uma solução para processar filmes de óxido sem danificar o substrato. Contudo, o processo de cura fotônica possui múltiplos parâmetros de entrada interconectados (energia radiante, contagem de pulsos, duração do pulso, número de micropulsos e ciclo de trabalho), criando um espaço de busca multidimensional complexo. A otimização tradicional via "grid-search" (busca em grade) é inviável devido ao alto custo e tempo experimental. Além disso, muitos experimentos resultam em falhas (filmes queimados, não convertidos ou com cobertura não uniforme), gerando dados inúteis para modelos de aprendizado de máquina, o que impede a convergência de algoritmos de otimização padrão.

2. Metodologia

Os autores desenvolveram um framework inovador que combina Otimização Bayesiana Multi-objetivo (MOBO) com um sistema de Humano no Loop (HITL).

• Objetivos de Otimização: O problema foi definido como uma otimização multi-objetivo com objetivos concorrentes:
  1. Maximizar a dispersão capacitância-frequência (C-f): Indicador de plasticidade sináptica de curto prazo (STP), essencial para comportamento neuromórfico.
  2. Minimizar a corrente de fuga (Leakage Current): Necessária para o funcionamento adequado de transistores.
• Otimização Bayesiana (MOBO): Utilizou-se um modelo de substituição (surrogate model) baseado em Regressão por Processo Gaussiano (GPR) para mapear a relação entre os 5 parâmetros de cura fotônica e as propriedades elétricas. O algoritmo busca a fronteira de Pareto (conjunto de soluções onde não se pode melhorar um objetivo sem piorar o outro).
• Integração Humano no Loop (HITL): Para lidar com falhas experimentais, os pesquisadores implementaram um mecanismo onde cientistas experientes atribuem uma pontuação subjetiva numérica aos resultados visuais dos filmes após a cura (ex: -1.0 para não convertido, 0 para convertido, +1.0 para queimado).
  • Essas pontuações são usadas para treinar um modelo GPR separado que prevê a probabilidade de sucesso ($P_{constraint}$) de uma condição de processamento.
  • A função de aquisição do MOBO é então ponderada por essa probabilidade, direcionando o algoritmo a evitar regiões do espaço de parâmetros com alta probabilidade de falha, sem precisar de um modelo binário rígido.
• Análise de Explicabilidade: Após a otimização, foi aplicada a análise SHAP (Shapley Additive exPlanations) para quantificar a contribuição de cada parâmetro de entrada em relação aos objetivos, revelando as relações físicas subjacentes.

3. Contribuições Principais

• Framework HITL-MOBO: Introdução de uma metodologia que integra observações humanas qualitativas (falhas e modos de falha) diretamente no fluxo de otimização de aprendizado de máquina, permitindo o uso de dados que seriam descartados em abordagens tradicionais.
• Redução de Falhas e Aceleração: Demonstração de que o feedback humano pode guiar o otimizador para regiões viáveis do espaço de parâmetros, reduzindo drasticamente o número de rodadas experimentais necessárias para convergência.
• Otimização de Dispositivos Flexíveis: Aplicação bem-sucedida na fabricação de capacitores Metal-Isolante-Metal (MIM) com dielétrico de $Al_2O_3$ em substratos de PET, viabilizando eletrônica neuromórfica flexível.

4. Resultados

• Eficiência Experimental: Em comparação com uma abordagem sem HITL (que sugeriu 15 condições com apenas 5 funcionais), o método HITL alcançou uma taxa de sucesso de 90% (9 de 10 condições) nas rodadas subsequentes, demonstrando uma melhoria significativa na "yield" (rendimento) de dispositivos.
• Fronteira de Pareto: O algoritmo identificou com sucesso a fronteira de Pareto, permitindo a seleção de condições de processamento que equilibram a dispersão C-f e a corrente de fuga.
  • Condição #40: Otimizada para baixa corrente de fuga ($|log(I_{leakage})| \approx 6.05$), ideal para transistores, mas com menor dispersão C-f.
  • Condição #66: Otimizada para alta dispersão C-f ($1.89$), ideal para memória/plasticidade, mas com maior corrente de fuga.
• Análise SHAP: A análise revelou que os parâmetros têm efeitos conflitantes. Por exemplo, duração do pulso mais longa e menor energia radiante tendem a aumentar a dispersão C-f, enquanto energia radiante mais alta e duração de pulso mais curta reduzem a corrente de fuga. O número de pulsos e o ciclo de trabalho também mostraram correlações distintas para cada objetivo.

5. Significado e Impacto

Este trabalho estabelece um novo paradigma para a descoberta de materiais e fabricação de dispositivos complexos onde as taxas de falha experimental são altas. Ao incorporar a intuição e a experiência de pesquisadores humanos no ciclo de aprendizado de máquina, o framework supera as limitações dos modelos puramente baseados em dados de sucesso, acelerando o processo de otimização e economizando recursos laboratoriais. A abordagem é generalizável para qualquer problema experimental multi-objetivo com entradas interconectadas e resultados que variam em um espectro contínuo de sucesso a falha, não se limitando apenas à eletrônica flexível.