Real-time Multi-instrument Autonomous Materials Screening for Discovery of Novel Phase-change Memory Materials

Resumo Técnico: Triagem de Materiais Autônoma Multinstrumental em Tempo Real para a Descoberta de Novos Materiais de Mudança de Fase

Definição do Problema
Os laboratórios autônomos (LAs) revolucionaram a descoberta de materiais ao integrar execução automatizada, análise de dados e tomada de decisão. No entanto, um gargalo significativo permanece na integração de fluxos de dados diversos e heterogêneos de múltiplos instrumentos. Os sistemas autônomos atuais operam tipicamente em loops fechados de instrumento único e propriedade única, onde a tomada de decisão ocorre de forma independente entre os equipamentos de caracterização. Além disso, a elucidação das relações síntese-processo-estrutura-propriedade (SPSPR) frequentemente depende de análise pós-experimento após a conclusão da coleta de dados, em vez de ocorrer durante os experimentos ao vivo. Essa abordagem sequencial falha em aproveitar o potencial das correlações entre propriedades estruturais e funcionais em tempo real, retardando a descoberta de materiais complexos como sistemas de memória de mudança de fase (PCM), particularmente aqueles que envolvem regiões de fases mistas e fases fora do equilíbrio.

Metodologia: O Framework de Descoberta Autônoma Multi-instrumental (MAD)
O framework MAD é um sistema projetado para realizar experimentação autônoma (AE) paralela, combinando o mapeamento de propriedades estruturais e a otimização de propriedades funcionais de maneira em loop fechado.

• Configuração Experimental: O framework foi demonstrado em uma biblioteca de filmes finos ternários de Mn-Sb-Te (MST), um sistema anteriormente inexplorado para aplicações de PCM. Duas distribuições composicionalmente idênticas foram preparadas: uma recozida para um estado cristalino para difração de raios X (XRD) e outra mantida em um estado amorfo para medições de resistência elétrica. Ambas foram montadas em instrumentos separados (um difratômetro e uma estação de sonda de contato) conectados a um servidor central via um modelo cliente-servidor.
• Fusão de Dados e Modelagem: O núcleo do MAD é um modelo de Processo Gaussiano (GP) de múltiplas saídas empregando um kernel de corregionalização (especificamente, um Modelo de Coregionalização Intrínseca, ICM).
  • Decomposição Estrutural: Os padrões de XRD foram pré-processados e decompostos usando Fatoração de Matriz Não Negativa (NMF) em sete componentes de "membros finais" (representando potenciais fases elementares, binárias e ternárias) e suas respectivas abundâncias. Isso converte o problema de identificação de fase de rotulagem discreta em uma tarefa de regressão contínua, capturando características de fases mistas.
  • Predição Conjunta: As abundâncias de fase derivadas da NMF (7 saídas) e as medições de resistência elétrica (1 saída) foram concatenadas em um conjunto de dados de 8 dimensões. Um GP de múltiplas saídas com uma estrutura latente de rank-um foi treinado nesses dados para modelar a covariância compartilhada entre propriedades estruturais e funcionais.
• Tomada de Decisão: O sistema utiliza funções de aquisição distintas para cada tarefa dentro do loop de aprendizado ativo:
  • Exploração (XRD): A Incerteza Máxima (MU) foi usada para maximizar o conhecimento da distribuição da estrutura cristalina.
  • Explotação (Resistência): O Melhoria Esperada (EI) foi usado para identificar a composição com a máxima resistência elétrica no estado amorfo ($R_{amo}$), um critério fundamental para PCM.
  • O controlador central realiza inferência conjunta para capturar correlações entre propriedades enquanto toma decisões independentes para os próximos pontos experimentais de cada instrumento.

Principais Resultados

• Eficiência e Velocidade: O framework MAD identificou com sucesso PCMs elétricos promissores e mapeou o SPSPR em 25 iterações de loop fechado. Isso representa uma aceleração de sete vezes em comparação ao mapeamento de grade convencional e uma aceleração de cinco vezes em comparação à amostragem aleatória. Todo o experimento ao vivo, incluindo o mapeamento de fase e a otimização de materiais, foi concluído em aproximadamente 5 horas.
• Precisão: Com apenas ~42 medições, o sistema reconstruiu padrões de XRD com 95% de similaridade de cosseno em relação aos dados experimentais. Para a otimização de materiais, o sistema convergiu para a composição ideal (máxima $R_{amo}$) em menos de 25 pontos de dados, com a distância de regret mínimo convergindo para zero.
• Descoberta de Materiais: O estudo identificou Mn$_{28}$Sb$_{52}$Te$_{20}$ como a composição com a maior resistência amorfa e Mn$_{14}$Sb$_{43}$Te$_{43}$ como gerando o maior contraste de resistência ($\Delta R \approx 5$ ordens de magnitude). A análise revelou que a fase trigonal MnSb$_2$Te$_4$ (indexada como componentes C0 e C2) é central para o comportamento de mudança de fase observado.
• Benchmarking: Benchmarks in silico comparando o MAD contra GPs independentes e amostragem aleatória demonstraram que o kernel de coregionalização superou significativamente os modelos independentes tanto no mapeamento de fase (medido por Dynamic Time Warping) quanto na convergência de otimização. O espaço latente compartilhado permitiu o aprendizado coordenado, evitando o "ocioso" de tarefas mais simples enquanto as mais complexas convergiam.

Significância e Alegações
O artigo afirma que o MAD estabelece um novo paradigma para instalações autônomas de grande escala ao permitir que experimentos ocorram em paralelo, em vez de independentemente. Ao integrar fluxos de dados multimodais através de uma representação latente compartilhada, o framework permite:

1. Elucidação de SPSPR em Tempo Real: A capacidade de tomar decisões baseadas em conhecimento compartilhado entre estrutura e função durante o experimento, em vez de esperar por análises post-hoc.
2. Tratamento de Fases Mistas: O uso de abundâncias contínuas derivadas de NMF permite que o modelo capture a física de regiões de fases mistas e transições graduais, o que abordagens de rotulagem discreta podem perder.
3. Descoberta Acelerada: O framework reduz significativamente o tempo e o gasto de recursos necessários para explorar vastos espaços composicionais, conforme demonstrado pela rápida identificação de novos candidatos a PCM no sistema MST.

Os autores posicionam o MAD como uma fundação versátil e modular para futuros ambientes multi-instrumentais co-orquestrados, capazes de lidar com fluxos de dados heterogêneos para alcançar melhor convergência e critérios de co-design de materiais.