Otimização Bayesiana em lote consciente de custo baseada em processos gaussianos profundos para campanhas complexas de projeto de materiais

Buscas mais inteligentes por materiais melhores

Projetar novos metais e ligas é um pouco como procurar algumas agulhas preciosas em um enorme palheiro. Cada receita candidata pode ser cara para testar no laboratório ou em um supercomputador, então os cientistas precisam de formas de decidir quais poucas valem a pena explorar a seguir. Este artigo apresenta uma estratégia que trata a descoberta de materiais como um jogo cuidadoso de perguntas: ela decide não apenas qual liga investigar a seguir, mas também que tipo de ensaio realizar e quanto esse ensaio vai custar. O objetivo é chegar a materiais de alto desempenho mais rapidamente, com menos e mais baratos experimentos.

Por que a busca é tão difícil

Ligas modernas, especialmente ligas de alta entropia que misturam muitos elementos em proporções quase iguais, habitam espaços de projeto enormes. Cada composição pode apresentar muitas propriedades importantes, como resistência, ponto de fusão e condutividade térmica, e essas frequentemente entram em conflito. Medir ou simular todas elas para cada receita possível é impossível. Métodos tradicionais de otimização Bayesiana já ajudam ao treinar um “substituto” estatístico que prevê propriedades a partir de um número limitado de exemplos e sugere os próximos experimentos. Mas substitutos padrão têm dificuldade quando as relações são muito emaranhadas, quando diferentes propriedades estão fortemente ligadas ou quando apenas algumas propriedades são medidas para cada amostra.

Modelos em camadas que aprendem estruturas ocultas

Para enfrentar isso, os autores baseiam‑se em processos gaussianos profundos, um tipo de modelo probabilístico em camadas. Em vez de uma única função suave, eles empilham várias camadas que transformam gradualmente a entrada. Camadas iniciais aprendem representações ocultas das composições das ligas; camadas posteriores mapeiam essas características ocultas para múltiplas propriedades de uma só vez. Essa hierarquia captura naturalmente efeitos como sensibilidade variável à composição em diferentes regiões do espaço de projeto e ligações complexas entre propriedades. Crucialmente, o modelo também mantém a própria incerteza, o que é vital ao decidir se vale a pena pagar por mais uma medição. Como propriedades diferentes podem ser observadas para diferentes ligas, o modelo ainda se beneficia de dados parciais e "remendados" e compartilha informação entre tarefas.

Fazendo cada medição valer

O segundo ingrediente é a consciência de custo. Nem todas as medições são iguais: algumas, como ensaios detalhados de condutividade térmica ou ponto de fusão, são caros; outras, como densidade ou dureza, são mais baratas. Os autores estendem uma regra de decisão popular que normalmente foca apenas no ganho científico — quanto um novo lote de experimentos pode melhorar os melhores trade‑offs conhecidos entre propriedades. A versão deles divide esse ganho pelo custo total do lote proposto. Isso leva o otimizador a favorecer muitas consultas baratas e informativas, reservando medições caras para os candidatos mais promissores. Eles também misturam lotes “isotópicos”, onde todas as propriedades são medidas juntas, com passos “heterotópicos” que medem seletivamente apenas propriedades mais baratas, usando esses resultados para refinar o modelo antes de comprometer medições de alto custo.

Testes em problemas de brinquedo e ligas reais

A equipe primeiro avaliou várias variantes de sua abordagem em problemas-padrão multiobjetivo de diferentes formatos e níveis de dificuldade. Compararam modelos simples de tarefa única, modelos multitarefa que compartilham informação entre propriedades, modelos puramente profundos e híbridos que combinam previsões médias profundas com estimativas de incerteza multitarefa. Os resultados mostraram que nenhum método vence em todas as situações. Modelos simples e rasos se destacam em paisagens de baixa dimensionalidade e curvatura suave. Modelos multitarefa brilham em espaços de alta dimensionalidade onde diferentes objetivos estão fortemente ligados. Modelos profundos e híbridos mostram sua força em paisagens altamente tortuosas e não convexas, onde capturar estruturas intrincadas e distribuições assimétricas é mais importante.

Caminho mais rápido para ligas de alto desempenho

Para demonstrar impacto prático, os autores então rodaram uma campanha de descoberta totalmente simulada para ligas refratárias de alta entropia destinadas ao uso em altas temperaturas. Eles exploraram um espaço de composição com sete elementos e tentaram maximizar cinco propriedades-chave ao mesmo tempo, tratando duas propriedades adicionais como informações auxiliares úteis. Os custos foram atribuídos de forma realista — condutividade térmica e temperatura de solidus foram tornadas muito mais caras do que densidade, dureza ou um indicador de ductilidade. A nova estrutura foi capaz de direcionar a amostragem para regiões do espaço de composição que equilibravam múltiplos objetivos de desempenho, reaproveitando fortemente medições baratas e recorrendo com parcimônia às caras. Estratégias profundas e conscientes de custo igualaram ou superaram modestamente o desempenho de métodos tradicionais, especialmente conforme mais dados se acumularam, e fizeram isso com uso mais inteligente de um orçamento fixo de avaliações.

O que isso significa para a descoberta de materiais

Para um não especialista, a mensagem principal é que este trabalho oferece uma maneira fundamentada de “gastar” esforço experimental e computacional com mais sabedoria ao procurar novos materiais. Ao combinar modelos probabilísticos em camadas que aprendem padrões ocultos com uma estratégia de orçamento que pondera o ganho científico esperado contra o custo do ensaio, a abordagem pode alcançar projetos de ligas de alto desempenho em menos passos, melhor escolhidos. Embora as vantagens sejam mais dramáticas para problemas complexos e ruidosos, a estrutura estabelece bases importantes para campanhas futuras em que cientistas precisam conciliar muitas variáveis, muitos objetivos e limites rígidos de recursos.

Citação: 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

Palavras-chave: descoberta de materiais, otimização Bayesiana, processos gaussianos profundos, ligas de alta entropia, projeto consciente de custos