Article · IA & agents
CrystalMO-TuRBO : affiner plusieurs objectifs à la fois
Une optimisation bayésienne par région de confiance combine exploration globale et raffinement local pour les structures cristallines.
Un raffinement multiobjectif
La détermination fine d'une structure cristalline peut devoir ajuster simultanément plusieurs familles de paramètres. Explorer tout l'espace est coûteux ; une méthode doit concentrer les essais sur les régions prometteuses sans perdre les alternatives.
Deux phases complémentaires
CrystalMO-TuRBO standardise les résidus de diffraction X et neutronique, les convertit en objectifs à maximiser, puis lance plusieurs sous-problèmes scalarisés dans des régions de confiance TuRBO. Les paramètres structurels et d’extinction sont optimisés conjointement. Une seconde phase affine localement le meilleur compromis, tandis que l’archive conserve les deux objectifs pour visualiser le front de Pareto. Les auteurs comparent cette stratégie à plusieurs méthodes d'optimisation bayésienne et observent dans leurs expériences une localisation plus précise des régions intéressantes pour leur problème.
Sur le cristal Ho2Ti2O7, dans l’expérience d’extinction primaire rapportée, le compromis atteint 11,46 en XRD et 11,67 en ND. Le raffinement conjoint par moindres carrés atteint 28,50 et 28,74 dans ce même exemple, tandis que les optimisations séparées obtiennent respectivement 8,82 et 11,02 mais produisent des paramètres incompatibles, notamment pour l’occupation du holmium. La campagne va jusqu’à 400 évaluations coûteuses et compare plusieurs baselines MOBO.
Ce que signifie le résultat
La méthode est surtout un cadre pour réduire le nombre d'évaluations coûteuses et conserver les trade-offs plutôt que les réduire à un score unique. Les performances dépendent des objectifs, des bornes, du modèle de substitution et des graines ; elles ne permettent pas de promettre une structure correcte sans validation indépendante.
L’évaluation porte sur un seul cristal de haute qualité et deux modalités de diffraction. Les scalarisations pondérées peuvent sous-représenter certaines zones du front de Pareto, et les résultats dépendent aussi du budget d’évaluations et des modèles physiques du forward pass.
Source
Joseph Agada, Yishu Wang et Arpan Biswas, « CrystalMO-TuRBO: Multi-Objective Trust-Region Bayesian Optimization for High-precision Joint Crystal Structure Refinement », ArXiv 2609.20592v1 : résumé et preprint, PDF.