[論文レビュー] Building Workflows for Interactive Human in the Loop Automated Experiment (hAE) in STEM-EELS

Utkarsh Pratiush, Kevin M. Roccapriore+4 more|arXiv (Cornell University)|Apr 10, 2024

Electron and X-Ray Spectroscopy TechniquesMaterials Science被引用数 3

ひとこと要約

本論文は、深層カーネル学習（DKL）を用いてデータ収集を知的にガイドする人間を含むループ型自動実験（hAE）フレームワークを、STEM-EELSに適用する。このフレームワークは、注目領域に焦点を当て、適応的ハイパーパrameterチューニングとリアルタイム監視により、局所的最小値に陥るのを回避する。この手法により、実験時間の短縮と知識獲得の向上を実現し、原子スケール構造の効率的同定が可能になる。

ABSTRACT

Exploring the structural, chemical, and physical properties of matter on the nano- and atomic scales has become possible with the recent advances in aberration-corrected electron energy-loss spectroscopy (EELS) in scanning transmission electron microscopy (STEM). However, the current paradigm of STEM-EELS relies on the classical rectangular grid sampling, in which all surface regions are assumed to be of equal a priori interest. This is typically not the case for real-world scenarios, where phenomena of interest are concentrated in a small number of spatial locations. One of foundational problems is the discovery of nanometer- or atomic scale structures having specific signatures in EELS spectra. Here we systematically explore the hyperparameters controlling deep kernel learning (DKL) discovery workflows for STEM-EELS and identify the role of the local structural descriptors and acquisition functions on the experiment progression. In agreement with actual experiment, we observe that for certain parameter combinations the experiment path can be trapped in the local minima. We demonstrate the approaches for monitoring automated experiment in the real and feature space of the system and monitor knowledge acquisition of the DKL model. Based on these, we construct intervention strategies, thus defining human-in the loop automated experiment (hAE). This approach can be further extended to other techniques including 4D STEM and other forms of spectroscopic imaging.

研究の動機と目的

• 現象の注目領域が不均一に分布するにもかかわらず、すべての領域を同等に扱う古典的矩形グリッドサンプリングの非効率性に対処する。
• 原子スケール特徴のDKLベースの同定プロセスにおいて、自動実験ワークフローが局所的最小値に閉じ込められるという課題を克服する。
• 実験中に知識獲得とモデルの信頼性を追跡するため、実空間および特徴空間でのリアルタイム監視ツールを開発する。
• 人間の専門家が自動ワークフローをガイドできる干渉戦略を設計し、複雑な材料の堅牢かつ適応的探索を可能にする。
• STEM-EELSに限らず、4D STEMなどの他の分光画像技術へも応用可能なスケーラブルなhAEフレームワークを構築する。

提案手法

• 空間相関をモデル化し、不確実性の評価を併せ持つ深層カーネル学習（DKL）を用いて、試料全体におけるEELSスペクトルシグネチャを予測する。
• 期待改善やエントロピーに基づく基準といった獲得関数を用い、モデルの不確実性と期待される情報量の増加に基づいて、次回のサンプリングポイントを選択する。
• 原子スケールのシミュレーションや画像解析から得られる局所的構造記述子を入力特徴として統合し、DKLモデルの一般化性能と局所化精度を向上させる。
• 実空間（試料座標）および特徴空間（スペクトルの潜在的表現）の両方で、モデルの予測と不確実性をリアルタイムで監視する。
• 人間の専門家が獲得関数の再重み付け、モデルの再初期化、またはサンプリング経路の再指向が可能なインタラクティブな干渉プロトコルを設計する。
• 局所収束を回避する堅牢な設定を同定するため、システム的なアブレーションを通じてDKLモデルのハイパーパrameter（例：カーネル長尺度、ノイズ分散）を最適化する。

実験結果

リサーチクエスチョン

• RQ1 異なる獲得関数は、STEM-EELSにおけるDKLベースの自動実験の経路効率性と収束行動にどのように影響を与えるか？
• RQ2 局所的構造記述子は、原子スケール特徴の同定プロセスにおいて、DKLモデルの精度と局所化能力を向上させる役割を果たすか？
• RQ3 実空間および特徴空間におけるリアルタイム監視は、モデルが局所的最小値に閉じ込められるのを検出し、防止する仕組みとしてどのように機能するか？
• RQ4 モデル性能が低下した場合に、人間を含むループ型の干渉が、自動実験ワークフローを効果的に是正または再指向できるか？
• RQ5 DKLのどのハイパーパramータ設定が、実験的STEM-EELSデータにおけるナノスケール特徴の最も堅牢で効率的な同定をもたらすか？

主な発見

• 特定の獲得関数とハイパーパramータの組み合わせにより、実験経路が局所的最小値に閉じ込められる事例が観察され、適応的戦略の必要性が浮き彫りになった。
• 実空間および特徴空間におけるモデルの不確実性の監視により、不適切な探索の早期検出が可能となり、人的な即時干渉が可能になった。
• 局所的構造記述子の統合により、既知の原子スケール特徴を有する領域にDKLモデルが的確に焦点を当てる能力が著しく向上し、同定効率が向上した。
• 人間を含むループ型の干渉戦略により、モデル収束が不安定になった場合に実験を効果的に再指向できた。専門家の監視の価値が裏付けられた。
• 古典的グリッドサンプリングに比べ、実験時間の短縮とレアまたは複雑な原子構造の検出精度の向上が、本フレームワークによって実証された。
• 本手法は、4D STEMや他の分光画像技術へも一般化可能であり、材料特性評価分野への広範な応用が可能であることが示された。