Optimización bayesiana por lotes consciente del coste basada en procesos Gaussianos profundos para campañas de diseño de materiales complejos

Búsquedas más inteligentes para mejores materiales

Diseñar metales y aleaciones nuevos es algo así como buscar unas pocas agujas preciosas en una enorme pajarera. Cada receta candidata puede ser costosa de ensayar en el laboratorio o en un superordenador, por lo que los científicos necesitan métodos para decidir cuáles conviene explorar a continuación. Este artículo presenta una estrategia que trata el descubrimiento de materiales como un juego cuidadoso de decisiones: no solo decide qué aleación probar a continuación, sino también qué tipo de ensayo realizar y cuánto costará. El objetivo es alcanzar materiales de alto rendimiento más rápido, con menos mediciones y a menor coste.

Por qué la búsqueda es tan difícil

Las aleaciones modernas, especialmente las aleaciones de alta entropía que mezclan muchos elementos en proporciones casi iguales, habitan espacios de diseño enormes. Cada composición puede tener muchas propiedades importantes, como resistencia, punto de fusión y conductividad térmica, y a menudo estas se contraponen entre sí. Medir o simular todas ellas para cada receta posible es imposible. Los métodos tradicionales de optimización bayesiana ya ayudan entrenando un “sustituto” estadístico que predice propiedades a partir de un número limitado de ejemplos y sugiere los siguientes experimentos. Pero los sustitutos estándar tienen dificultades cuando las relaciones son muy enmarañadas, cuando las distintas propiedades están fuertemente vinculadas o cuando solo se miden algunas propiedades por muestra.

Modelos en capas que aprenden estructura oculta

Para abordar esto, los autores se basan en procesos Gaussianos profundos, un tipo de modelo probabilístico en capas. En lugar de una única función suave, apilan varias capas que transforman gradualmente la entrada. Las capas iniciales aprenden representaciones ocultas de las composiciones de las aleaciones; las capas posteriores mapean esas características ocultas a múltiples propiedades a la vez. Esta jerarquía captura de forma natural efectos como la variación de la sensibilidad a la composición a lo largo del espacio de diseño y las relaciones complejas entre propiedades. De forma crucial, el modelo también mantiene una estimación de su propia incertidumbre, lo cual es vital para decidir si merece la pena pagar por otra medición. Dado que distintas propiedades pueden observarse en diferentes aleaciones, el modelo puede beneficiarse de datos parciales o “a parche” y compartir información entre tareas.

Hacer que cada medición cuente

El segundo ingrediente es la conciencia del coste. No todas las mediciones son iguales: algunas, como ensayos detallados de conductividad térmica o punto de fusión, son caros; otras, como densidad o dureza, son más baratas. Los autores amplían una regla de decisión popular que normalmente se centra solo en la ganancia científica: cuánto podría mejorar un nuevo lote de experimentos los mejores compromisos conocidos entre propiedades. Su versión divide esa ganancia por el coste total del lote propuesto. Esto empuja al optimizador a favorecer muchas consultas baratas e informativas, reservando las mediciones caras para los candidatos más prometedores. También combinan lotes “isotópicos”, donde se miden todas las propiedades juntas, con pasos “heterotópicos” que miden selectivamente solo las propiedades más baratas, utilizando esos resultados para refinar el modelo antes de comprometerse con pruebas de alto coste.

Pruebas en problemas de juguete y aleaciones reales

El equipo primero evaluó varias variantes de su enfoque en problemas de prueba multiobjetivo estándar con diferentes formas y niveles de dificultad. Compararon modelos simples de tarea única, modelos multitarea que comparten información entre propiedades, modelos puramente profundos e híbridos que combinan predicciones de media profundas con estimaciones de incertidumbre multitarea. Los resultados mostraron que ningún método vence en todo. Los modelos simples y superficiales sobresalen en paisajes de baja dimensión y curvatura suave. Los modelos multitarea brillan en espacios de alta dimensión donde los distintos objetivos están estrechamente vinculados. Los modelos profundos e híbridos muestran su fuerza en paisajes altamente retorcidos y no convexos, donde capturar estructuras intrincadas y distribuciones sesgadas importa más.

Camino más rápido hacia aleaciones de alto rendimiento

Para mostrar impacto práctico, los autores ejecutaron después una campaña de descubrimiento totalmente simulada para aleaciones refractarias de alta entropía destinadas a uso a alta temperatura. Exploraron un espacio de composición de siete elementos e intentaron maximizar cinco propiedades clave a la vez, tratando dos propiedades adicionales como información auxiliar. Los costes se asignaron de forma realista: la conductividad térmica y la temperatura de solidus resultaron mucho más caras que la densidad, la dureza o un indicador de ductilidad. El nuevo marco fue capaz de guiar el muestreo hacia regiones del espacio de composiciones que equilibraban múltiples objetivos de desempeño, al tiempo que reutilizaba abundantemente mediciones baratas y recurría con moderación a las costosas. Las estrategias profundas y conscientes del coste igualaron o superaron modestamente el rendimiento de los métodos tradicionales, especialmente a medida que se acumulaban más datos, y lo hicieron con un uso más inteligente de un presupuesto fijo de evaluaciones.

Qué significa esto para el descubrimiento de materiales

Para un no especialista, el mensaje principal es que este trabajo ofrece una manera fundamentada de “gastar” el esfuerzo experimental y computacional con más criterio al buscar materiales nuevos. Al combinar modelos probabilísticos en capas que aprenden patrones ocultos con una estrategia de presupuesto que pondera la ganancia científica esperada frente al coste de las pruebas, el enfoque puede alcanzar diseños de aleaciones de alto rendimiento en menos pasos y mejor seleccionados. Aunque las ventajas son más notables en problemas complejos y ruidosos, el marco sienta una base importante para futuras campañas en las que los científicos deben equilibrar muchas variables, múltiples objetivos y límites de recursos estrictos.

Cita: Alvi, S.M.A.A., Vela, B., Attari, V. et al. Deep Gaussian process-based cost-aware batch Bayesian optimization for complex materials design campaigns. npj Comput Mater 12, 105 (2026). https://doi.org/10.1038/s41524-026-01981-7

Palabras clave: descubrimiento de materiales, optimización bayesiana, procesos Gaussianos profundos, aleaciones de alta entropía, diseño consciente de costes