Shape-Constrained Bayesian Active Learning of Self-Limiting Saturation Curves

Resumo Técnico: Aprendizado Ativo Bayesiano com Restrições de Forma para Curvas de Saturação Autolimitantes

Definição do Problema
Curvas de saturação autolimitantes — respostas monótonas que sobem de zero até um patamar — governam processos críticos em ciências físicas e da vida, incluindo adsorção de gases, cinética enzimática, farmacologia de dose-resposta e o crescimento por ciclo (GPC) na deposição de camadas atômicas (ALD). Um gargalo comum nesses campos é o mapeamento dessas curvas a partir de um número limitado de medições dispendiosas. Os modelos substitutos (surrogate models) padrão, tipicamente processos gaussianos (GPs) de kernel estacionário, carecem de restrições de forma estruturais. Quando aplicados a dados esparsos e ruidosos, esses GPs não restritos frequentemente produzem quedas (dips) ou inclinações negativas não físicas. Esses artefatos corrompem tanto a curva inferida quanto a incerteza preditiva usada para selecionar os experimentos subsequentes, podendo levar à seleção de mínimos não físicos e ao desperdício de recursos experimentais. Embora existam métodos de reparo post-hoc (ex: projeção isotônica), eles frequentemente introduzem artefatos de degrau ou falham em restringir a própria distribuição da incerteza preditiva.

Metodologia
Os autores propõem uma plataforma de aprendizado ativo bayesiano livre de modelo, construída sobre regressão de I-splines monótonas. A inovação central é um substituto que impõe restrições de forma por construção, em vez de por correção post-hoc.

• Construção da Base: A resposta de saturação $f(x)$ é expandida como uma soma ponderada de I-splines, $f(x) = \sum w_m I_m(x)$. Estas I-splines são derivadas da integração de M-splines localizadas e não negativas (blocos de taxa).
• Garantias Estruturais:
  • Monotonicidade: Ao aplicar uma priori Half-Normal sobre os pesos $w_m$ (forçando $w_m \ge 0$), a inclinação $f'(x)$ torna-se uma soma de termos não negativos, garantindo que cada amostra da posteriori seja globalmente não decrescente.
  • Condição de Contorno: Como cada I-spline se anula na origem ($I_m(0)=0$), a condição $f(0)=0$ é satisfeita exatamente para cada amostra.
  • Determinação do Patamar: O patamar de autolimitação não é imposto por uma priori (ex: uma restrição de achatamento), mas é estabelecido pelo delineamento experimental, que sempre inclui uma medição na exposição máxima ($x_{max}$). O valor do patamar é, portanto, ancorado nos dados.
• Ciclo de Aprendizado Ativo: A plataforma emprega amostragem de incerteza padrão (selecionando o próximo dado onde o desvio padrão preditivo é maximizado) para conduzir a seleção experimental. Como o substituto é monótono por construção, a banda de incerteza é fisicamente significativa, e o método de "cruzamento de nível" usado para ler o tempo de pulso de saturação ($x_{sat}$) produz uma solução única e bem definida para cada amostra da posteriori.
• Inferência: Devido às restrições de não negatividade, a posteriori não possui solução em forma fechada. Os autores utilizam o No-U-Turn Sampler (NUTS) para extrair centenas de curvas candidatas da distribuição da posteriori, resumindo o ajuste via média e intervalos de credibilidade.

Principais Contribuições

1. Substituto Monótono por Construção: O artigo introduz um framework bayesiano onde cada amostra da posteriori é uma curva de saturação válida e fisicamente admissível. Isso elimina a necessidade de reparos post-hoc e garante que a incerteza preditiva consumida pela função de aquisição seja fisicamente consistente.
2. Adaptabilidade Cinética Livre de Modelo: Diferente de abordagens anteriores específicas para ALD que incorporam formas cinéticas específicas (ex: Langmuir) no kernel, esta base de I-splines é agnóstica à cinética subjacente. Ela se adapta a formas côncavas, sigmoides, logarítmicas e dispersivas sem necessidade de ajuste (re-tuning).
3. Aprendizado Ativo Eficiente em Dados: A plataforma demonstra que um substituto fixo pode recuperar diversas curvas de saturação dentro do ruído de medição usando um orçamento pequeno (20 medições), superando significativamente a amostragem aleatória.
4. Leitura Operacional: É apresentado um método livre de modelo para extração de tempos de pulso via cruzamento de nível, que evita enviesar o resultado para um modelo cinético específico.

Resultos
O método foi testado em cinco famílias de isotermas cineticamente distintas: Langmuir, Dissociativa (Michaelis–Menten), Sips (sigmoide), Elovich (logarítmica com um kink) e Dubinin–Radushkevich KWW (dispersiva).

• Precisão de Recuperação: Em todos os cinco regimes, o substituto recuperou as curvas dentro do piso de ruído do detector ($\sigma_y = 0,05$). O erro médio de saturação entre os regimes foi de 0,029. Mesmo para as formas mais desafiadoras (ex: o início sigmoide da Sips e a curva com kink da Elovich), o ajuste permaneceu preciso, com os maiores desvios mantendo-se abaixo de ~1,6$\sigma_y$.
• Amostragem Ativa vs. Aleatória: A amostragem de incerteza superou consistentemente a amostragem aleatória. O aprendizado ativo atingiu precisão de nível de ruído em tão poucas quanto 7 medições (para o regime mais fácil) e em até 16 para o mais difícil (Sips). Em contraste, a amostragem aleatória só obteve sucesso em dois dos cinco regimes dentro do orçamento de 20 medições.
• Varreduras em Regimes Sem Ruído: Quando o ruído foi removido, a base de I-spline mostrou-se quase exata para todos os regimes testados, com erros de saturação $\le 0,022$. A única exceção foi o início em degrau da Sips ($n=4$), onde a grade de nós fixa com espaçamento logarítmico careceu de resolução na subida íngreme, destacando uma limitação estrutural da base fixa, e não da mecânica de monotonicidade.
• Predição de Tempo de Pulso: Os tempos de pulso preditos foram altamente precisos (dentro de 0,02 s) até 50% de saturação. Em 95% de saturação, as predições foram uniformemente conservadoras (atrasadas em 1,3–1,6 s). Este viés surge porque a saturação inferida ultrapassa ligeiramente o valor real em dados ruidosos; operacionalmente, este é um erro conservador (pulsos mais longos aprofundam a saturação).
• Integridade Estrutural: Em mais de um milhão de amostras da posteriori em todos os experimentos, não ocorreu sequer uma amostra não monótona. O método evitou com sucesso as "quedas" e "degraus" característicos de GPs não restritos ou reparos post-hoc.

Significância e Alegações
Os autores alegam que o principal valor deste trabalho é a eliminação de um modo de falha, em vez da invenção de uma nova função de aquisição. Ao incorporar a monotonicidade na priori, a plataforma garante que a incerteza que impulsiona o loop de aprendizado ativo e a leitura de satção resultante sejam fisicamente confiáveis.

O artigo afirma que esta abordagem é amplamente aplicável onde uma resposta autolimitante deve ser aprendida a partir de dados escassos, abrangendo isotermas de adsorção, cinética enzimática e desenvolvimento de processos ALD. Os autores são modestos quanto às limitações, observando que a grade de nós fixa com espaçamento logarítmico tem limites de resolução para inícios extremamente íngremes e tardios, e que a implementação atual assume condições isotérmicas de precursor único. No entanto, enfatizam que a mecânica de monotonicidade em si é robusta e poderia se estender para aprendizado multiparamétrico (ex: superfícies de saturação) via produtos tensoriais. O trabalho estabelece que um único substituto fixo e livre de modelo pode efetivamente substituir múltiplos modelos cinéticos específicos, fornecendo um framework unificado e eficiente em dados para a caracterização de processos autolimitantes.