Resumo Técnico: CARTOGRAPH – Direcionamento de Experimentos Verificável e Recusa para Descoberta Autônoma

1. Declaração do Problema

Os atuais ciclos de descoberta científica autônoma, que integram planejadores de Grandes Modelos de Linguagem (LLMs), laboratórios automatizados e intérpretes estatísticos, enfrentam um gargalo crítico: a tomada de decisão sob inadequação estrutural. Embora os sistemas existentes possam propor experimentos (Selecionar) e interpretar dados, eles carecem de um mecanismo verificável para determinar quando a biblioteca atual de modelos mecanísticos é fundamentalmente errônea.

O BOED (Design de Experimento Ótimo Bayesiano) padrão assume que a lei verdadeira reside no suporte da priori, e a discriminação de modelos clássica assume que pelo menos um modelo rival está correto. Em domínios de alto risco, como farmacocinética ou síntese de materiais, essas suposições frequentemente falham. O artigo identifica uma lacuna na decisão de "Recusar": o sistema atualmente não consegue sinalizar de forma auditável quando deve interromper a formulação de afirmações porque o próprio espaço de hipóteses é estruturalmente insuficiente.

2. Metodologia: O Framework CARTOGRAPH

Os autores propõem o CARTOGRAPH, uma camada de verificação que acopla três decisões interligadas: Selecionar (escolha do experimento), Resolver (fechamento de ambiguidade) e Recusar (detecção de inadequação da biblioteca). O framework opera sob um modelo de "acesso comportamental", onde o agente observa saídas numéricas de simuladores ou robôs em vez de equações simbólicas.

2.1. Geometria do Subespaço Não Resolvido

O objeto matemático central é o subespaço não resolvido ($U_\tau$), definido como o span dos vetores singulares à direita da matriz de discordância acumulada ($H_{cur}$) correspondentes aos valores singulares $\sigma_j \le \tau$.

• Matriz de Discordância ($H$): Construída através do empilhamento de diferenças preditivas linearizadas por pares ($D_{ij,e} = J_{i,e} - J_{j,e}$) para todos os pares de modelos na biblioteca para um candidato a experimento $e$.
• Selecionar (Direcionamento): O framework seleciona experimentos que maximizam o ganho de informação dentro de $U_\tau$.
  • Pontuação Bruta: A pontuação de projeção isotrópica não resolvida, $\|H_e U_\tau\|_F^2$, que corresponde ao traço da informação de Fisher não resolvida sob suposições locais de Gauss-Linear.
  • CARTOGRAPH-A: A regra A-ótima exata, maximizando a redução da variância posterior no subespaço não resolvido: $\text{tr}(\Lambda_{cur}) - \text{tr}((\Lambda_{cur}^{-1} + G_e)^{-1})$, onde $G_e$ é a matriz de informação sensível ao ruído.
• Resolver: A ambiguidade é declarada resolvida quando $\dim(U_\tau) = 0$ (regime exato) ou quando o menor valor singular excede $\tau$ (regime aproximado).

2.2. A Guarda de Recusa

Ao contrário do BOED padrão, o CARTOGRAPH inclui um mecanismo de recusa baseado em resíduos. Ele não depende apenas da geometria de $U_\tau$, mas monitora o ajuste físico do melhor membro da biblioteca em relação aos dados observados.

• Métrica de Resíduo ($\rho$): O resíduo $\ell_2$ normalizado do melhor membro da biblioteca em relação a características de resumo fisicamente significativas (ex: $C_{max}$, inclinação terminal).
• Gap de Identificação ($\mu$): O gap de BIC entre os dois principais membros da biblioteca.
• Lógica: Um modelo é identificado tentativamente apenas se $\rho \le \delta$ (limiar de resíduo) e $\mu \ge \mu_{min}$ (limiar de BIC). Crucialmente, se $\rho$ exceder $\delta$ em rodadas posteriores, o sistema revoga identificações anteriores, sinalizando que a biblioteca é estruturalmente inadequada.

2.3. Pontes Teóricas

O artigo estabelece que o CARTOGRAPH não é uma heurística arbitrária, mas situa-se dentro da teoria estabelecida sob uma ponte Gauss-Linear local:

• Informação de Fisher: A pontuação de projeção bruta é exatamente o traço da informação de Fisher não resolvida.
• Variância Posterior: Para $k=1$ (uma dimensão não resolvida), maximizar a pontuação de projeção é equivalente a minimizar a variância posterior.
• EIG e Box-Hill: O framework fornece alinhamento de primeira ordem com o Ganho de Informação Esperada (EIG) de forma fechada e uma redução do critério de Box-Hill no limite isotrópico.
• Leis de Escala: A análise teórica prevê que, em configurações de baixa dimensão ($k/d \approx 1/2$), métodos de projeção não resolvida apenas empatarão com heurísticas simples de discordância, enquanto em configurações de alta dimensão ($d \to \infty$), eles dominarão estritamente.

3. Principais Contribuições

1. Distinção de Modelo de Acesso Formal: Separa o acesso simbólico (propriedade de cobertura) do acesso comportamental (propriedade de ranking), definindo as condições sob as quais a lei verdadeira é recuperável.
2. Framework CARTOGRAPH: Um ciclo unificado que integra o direcionamento de subespaço não resolvido com uma guarda de recusa baseada em resíduos, permitindo sinais de "parar e escalar" auditáveis.
3. Ponte BOED Local: Prova identidades exatas entre a informação de Fisher não resolvida, A-otimalidade e EIG/Box-Hill de forma fechada no regime Gauss-Linear local.
4. Teoria de Escala: Deriva uma lei de escala de candidato aleatório exata que prevê quando heurísticas de discordância são suficientes versus quando a projeção é necessária.
5. Validação Empírica: Demonstra desempenho em sistemas dinâmicos simbólicos, benchmarks farmacocinéticos (PK), dados de séries temporais de EPA e uma auditoria retrospectiva do sistema de materiais autônomo A-Lab.

4. Resultados Experimentais

4.1. Selecionar: Cascata Não Linear Estruturada

Em um benchmark de sistema de ODE escalável ($d \in \{2, 4, 8, 16\}$):

• Ganho de Alta Dimensão: Em $d=8$, o CARTOGRAPH-A seleciona o experimento "melhor oculto" (oracle) em 65% dos ensaios, comparado a 2% para as bases de projeção bruta e discordância ($p < 10^{-21}$).
• Empate de Baixa Dimensão: Em $d=2$, todos os métodos empatam, consistente com a previsão teórica de que heurísticas de discordância capturam metade do sinal útil quando $k/d = 1/2$.
• Eficiência: O CARTOGRAPH-A alcança desempenho comparável ao EIG de forma fechada, porém é computacionalmente mais barato (uma SVD por rodada vs. integração Monte Carlo).

4.2. Selecionar: Caso de Fronteira Farmacocinética

Em uma biblioteca PK de baixa dimensão ($k/d \approx 1/2$):

• O framework observa empates próximos entre o CARTOGRAPH e as heurísticas de discordância, validando a teoria de escala.
• Este resultado é apresentado como um achado negativo honesto: em baixas dimensões, a projeção complexa não oferece vantagem significativa sobre a discordância simples.

4.3. Recusar: Mecanismos Fora da Biblioteca

A descoberta mais distinta é a capacidade de revogação:

• Cenário: Três mecanismos farmacocinéticos fora da biblioteca (depuração variante no tempo, eliminação saturável, recirculação enterohepática) e um controle dentro da biblioteca.
• Comportamento: O CARTOGRAPH identifica tentativamente um membro da biblioteca em rodadas iniciais (0–1), mas revoga essas identificações em rodadas posteriores (2–5), conforme os resíduos normalizados ($\rho$) cruzam o limiar de recusa ($\delta = 0.25$).
• Controle: O controle dentro da biblioteca permanece identificado durante todo o processo.
• Falha da Base: Uma heurística padrão de incerteza preditiva (variância do ensemble) falha em detectar essas falhas, permanecendo confiante mesmo quando a biblioteca está errada.

4.4. Auditoria de Mundo Real: A-Lab

Uma auditoria retrospectiva de 40 afirmações positivas da publicada do sistema de materiais autônomo A-Lab:

• Desempenho de Recusa: A guarda do CARTOGRAPH sinalizou todas as 4/4 afirmações que foram posteriormente marcadas como "inconclusivas" sob reanálise manual.
• Taxa de Aprovação: Ele aprovou 32/36 afirmações confirmadas.
• Comparação: Uma base de resíduo apenas (Rwp) falhou em sinalizar qualquer uma das afirmações inconclusivas.

5. Significância e Alegações

O artigo alega que o CARTOGRAPH fornece uma abordagem governada para a descoberta autônoma. Sua significância não reside no ganho de seleção universal (que é modesto em baixas dimensões), mas no sinal de recusa auditável.

• Honestidade: O framework lida explicitamente com o caso em que a biblioteca é estruturalmente errada, um cenário que o BOED padrão ignora.
• Revogação: Ele demonstra a capacidade de retirar afirmações científicas tentativas conforme a evidência se acumula, um comportamento essencial para a ciência de alto risco.
• Governança: O sistema emite um log de decisão ($\rho, \delta$, eventos de revogação) que pode ser auditado, tratando "recusas bem fundamentadas" como resultados cientificamente dignos de crédito.

Os autores enfatizam que a natureza "verificável" do sistema provém dos resíduos e limiares registrados, não de uma certificação de confiabilidade universal. O framework é projetado para ser uma camada de verificação para planejadores de LLM, lidando com a discriminação estatística rigorosa que os LLMs não podem realizar nativamente.