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

Resumo Técnico: Aprendizado Ativo com Controle de Qualidade via Processos Gaussianos para Aprendizado Robusto de Estrutura–Propriedade em Microscopia Autônoma

Definição do Problema
Sistemas experimentais autônomos em pesquisa de materiais visam acelerar a descoberta por meio de ciclos de malha fechada que combinam instrumentação física e aprendizado de máquina (ML). No entanto, sua eficácia é frequentemente comprometida por dados de baixa qualidade e ruidosos. Este problema é particularmente agudo em tarefas de aprendizado de estrutura–propriedade, como as traduções de Imagem-para-Espectro (Im2Spec) e Espectro-para-Imagem (Spec2Im), onde as entradas e os rótulos podem sofrer degradação espacialmente localizada devido ao desvio do instrumento, desgaste da ponta ou instabilidade ambiental.

Estratégias padrão de aprendizado ativo (AL) que dependem tipicamente da estimativa de incerteza (por exemplo, via Processos Gaussianos) para selecionar amostras informativas, frequentemente falham nesses ambientes ruidosos. Elas tendem a interpretar erroneamente medições de baixa fidelidade e ruidosas como altamente incertas e, portanto, altamente informativas. Consequentemente, essas estratégias priorizam a aquisição de dados de má qualidade, o que induz o modelo de aprendizado ao erro, degrada o desempenho e leva a uma amostragem ineficiente. Embora trabalhos anteriores tenham explorado a amostragem baseada em curiosidade e o aprendizado multitarefa, essas abordagens carecem de um mecanismo para filtrar explicitamente dados que violam restrições físicas ou exibem baixas relações sinal-ruído.

Metodologia: Estrutura ActiveQC
Os autores propõem o ActiveQC (Aprendizado Ativo com Controle de Qualidade), uma estrutura de aprendizado ativo com portão (gated) projetada para integrar a aquisição baseada em curiosidade com um filtro de controle de qualidade informado pela física. A metodologia opera da seguinte forma:

1. Métrica de Qualidade Informada pela Física: O sistema utiliza o modelo de Oscilador Harmônico Simples (SHO) para avaliar a fidelidade dos espectros de Espectroscopia de Piezoresposta por Excitação de Banda (BEPS). Para cada espectro candidato, o modelo SHO é ajustado a todos os pontos de polarização DC. Uma pontuação de qualidade é calculada como o coeficiente de determinação médio ($R^2$) através desses ajustes no domínio da frequência. Esta pontuação quantifica quão bem a resposta medida se conforma à dinâmica física esperada.
2. Modelagem de Qualidade por Surrogato: Um Processo Gaussiano (GP) é treinado para regredir essas pontuações de qualidade $R^2$ através do domínio espacial da amostra. Este GP prevê a fidelidade espectral de localizações não observadas, criando um mapa espacial de qualidade de dados.
3. Estratégia de Aquisição com Portão (Gated): O processo de aquisição emprega um mecanismo de "portão" (gating). Antes que uma amostra seja selecionada com base nos critérios padrão de AL, sua pontuação de qualidade prevista ($q_i$) pelo GP é verificada contra um limiar predefinido ($\tau$).
   • Se $q_i < \tau$, a amostra é excluída (bloqueada pelo portão), independentemente de sua incerteza ou representatividade.
   • Se $q_i \geq \tau$, a amostra prossegue para a fase de pontuação.
4. Pontuação de Aquisição: Para amostras que passam pelo portão de qualidade, uma pontuação de aquisição unificada ($s_i$) é calculada combinando três fatores:
   • Erro Previsto: Estimado por um modelo substituto (treinado em características latentes) para capturar o erro esperado do modelo base (curiosidade/incerteza).
   • Distância: Distância euclidiana no espaço latente em relação ao conjunto de treinamento atual (exploração de regiões sub-representadas).
   • Representatividade: Similaridade de cosseno com o restante do conjunto não observado (cobertura da distribuição).
   • A pontuação final é uma soma ponderada: $s_i = \alpha \cdot \hat{e}_i + \beta \cdot d_i + \gamma \cdot r_i$.

Principais Contribuições

• Integração de Física e ML: O artigo introduz uma estrutura que acopla a curiosidade baseada em dados com a avaliação de qualidade informada pela física, garantindo que as decisões de aprendizado ativo sejam não apenas ricas em informação, mas também fisicamente válidas.
• Robustez ao Ruído Localizado: Ao filtrar explicitamente espectros de baixa fidelidade via portão de $R^2$ baseado em SHO, o método evita a aquisição de dados corrompidos que, de outra forma, degradariam o desempenho do modelo.
• Validação Bidirecional: A abordagem é validada em duas tarefas recíprocas: Im2Spec (prevendo espectros a partir de imagens AFM) e Spec2Im (reconstruindo imagens a partir de espectros), demonstrando eficácia em ambos os cenários de mapeamento direto e inverso.
• Implementação em Tempo Real: A estrutura foi implementada com sucesso em tempo real em um sistema de microscopia de força atômica (AFM), demonstrando sua aplicabilidade em experimentos autônomos ao vivo.

Resultos
Os autores avaliaram o ActiveQC contra Amostragem Aleatória, Aprendizado Ativo Padrão (baseado em curiosidade) e uma linha de base de Aprendizado Multitarefa (ActiveMT) utilizando um conjunto de dados pré-adquirido de filmes finos de $\text{PbTiO}_3$ com ruído espacialmente localizado induzido artificialmente.

• Tarefa Im2Spec: O ActiveQC superou consistentemente todas as linhas de base. Enquanto as estratégias de Aprendizado Ativo padrão e ActiveMT selecionavam progressivamente mais amostras ruidosas (interpretando-as como regiões de alta incerteza), o ActiveQC aprendeu rapidamente a evitar o quadrante ruidoso. Isso resultou em um Erro Quadrático Médio (MSE) significativamente menor nas rodadas finais de aquisição. A análise estatística (teste t de Welch, $p < 0,05$) confirmou a superioridade do ActiveQC.
• Tarefa Spec2Im: Observaram-se tendências semelhantes. O ActiveQC manteve o menor erro ao longo das etapas de exploração, particularmente nas rodadas posteriores, onde amostras ruidosas tornaram-se mais prevalentes. A linha de base multitarefa mostrou alguma melhoria em relação ao aprendizado ativo padrão, mas não conseguiu igualar a robustez do mecanismo de portão.
• Experimentos de AFM em Tempo Real: Implementado em filmes finos de $\text{BiFeO}_3$, a estrutura demonstrou a capacidade de distribuir medições de forma adaptativa. O portão de qualidade suprimiu com sucesso as aquisições em regiões previstas com baixa fidelidade espectral. A análise das amostras retidas mostrou que os subconjuntos de alta qualidade exibiram respostas eletromecânicas mais fortes (áreas de laço e sensibilidade maiores) em comparação aos subconjuntos de baixa qualidade, validando a relevância física do filtro.

Significância e Alegações
O artigo afirma que o trabalho proposto apoia uma mudança em direção à "autonomia híbrida" em laboratórios autônomos. Os autores argumentam que confiar apenas na redução da incerteza algorítmica é insuficiente em ambientes experimentais ruidosos. Em vez disso, combinar a avaliação de qualidade informada pela física com a tomada de decisão ativa é essencial para uma descoberta confiável.

A significância reside na demonstração de que:

1. A Consciência de Qualidade é Crítica: Ignorar a fidelidade dos dados leva ao acúmulo de amostras enganosas, enquanto o portão de qualidade explícito evita esse modo de falha.
2. Generalização: Embora demonstrado em filmes finos ferroelétricos e dados de BEPS, o princípio de usar métricas informadas pela física para controlar o aprendizado ativo é amplamente aplicável a outros domínios científicos onde a qualidade dos dados é variável.
3. Viabilidade Prática: A implementação bem-sucedida em tempo real em uma plataforma de AFM prova que tais loops controlados por qualidade podem operar de forma robusta sob restrições experimentais práticas, oferecendo um caminho para uma pesquisa de materiais autônoma mais confiável e com menos riscos.