自己最適化電子顕微鏡に向けて：物理情報を考慮した多目的ベイズ最適化による収差係数のロバストな調整

TL;DR（結論）

走査透過電子顕微鏡（STEM）の複雑な収差補正を自動化するため、多目的ベイズ最適化（MOBO）を用いた新しいフレームワークが開発されました。この手法は、ガウス過程回帰を活用して収差の状態を確率的にモデル化し、コントラストと解像度という相反する指標のトレードオフをパレートフロントとして提示することで、効率的かつ堅牢な調整を実現します。 従来のグリッド探索や単一指標の最適化とは異なり、このシステムは次に評価すべき最適なレンズ設定を能動的に選択するアクティブラーニングを採用しています。これにより、ノイズやサンプルの損傷に惑わされる「報酬ハッキング」を防ぎ、熟練オペレーターの経験に頼ることなく、短時間でサブオングストロームの解像度を維持することが可能になります。 シミュレーションと実機（Spectra 300）の両方で検証が行われ、わずか25回程度の試行で最適な観察条件に収束することが確認されました。また、最適化の過程をすべて記録するFAIR原則に準拠したデータ管理により、将来のAI学習やデジタルツイン構築に役立つ貴重なデータセットを蓄積できる「自己最適化型」顕微鏡の基盤を構築しました。

なぜこの問題か

走査透過電子顕微鏡（STEM）は、材料科学、凝縮系物理学、化学、触媒研究などの広範な分野において、原子レベルでの構造解析を可能にする極めて重要な基盤技術です。半導体デバイスの微細化、次世代太陽電池の開発、高効率な触媒の設計、そして電気自動車用の電池材料の評価など、現代の先端技術開発においてSTEMによる観察は欠かせないものとなっています。しかし、最新の収差補正装置を備えたSTEMはサブオングストロームという驚異的な解像度を誇る一方で、その性能を最大限に引き出し、維持することは非常に困難な課題です。顕微鏡の光学系は熱ドリフトや環境の不安定性の影響を常に受けており、最適なプローブ条件を保つためには、熟練したオペレーターが多大な時間と労力をかけて手動で調整を行う必要があります。この手動操作が、実験全体のスループットを著しく低下させる大きなボトルネックとなっています。 従来の自動調整ルーチンとしては、ネルダー・ミード法のような勾配を用いない逐次的な探索手法が利用されてきましたが、これらはサンプル効率が悪く、相互に複雑に影響し合う複数の収差パラメータを同時に補正することに苦慮していました。…

核心：何を提案したのか

本研究では、STEMの収差補正における課題を解決するために、多目的ベイズ最適化（MOBO）フレームワークを提案しました。この手法の核心は、画像品質の定義を単一の指標に固定するのではなく、ユーザーが定義した物理的に意味のある複数の報酬関数を同時に最適化の対象とする点にあります。これにより、実験における優先順位の間のトレードオフを「パレートフロント」として可視化し、科学的な根拠に基づいた意思決定を可能にします。…

続きはログイン/プランで閲覧できます。