PATHFINDER: Multi-objective discovery in structural and spectral spaces

Die Arbeit stellt PATHFINDER vor, ein autonomes Mikroskopie-Framework, das durch die Kombination von Neuigkeitsentdeckung und Multi-Objektiv-Optimierung in latenten Räumen eine vielfältigere Entdeckung von Struktur-Eigenschafts-Beziehungen ermöglicht und dabei das vorzeitige Konvergieren auf einzelne Optima verhindert.

Das Wesentliche

PATHFINDER: Der mutige Entdecker im Mikroskop-Labyrinth

Stellen Sie sich vor, Sie sind ein Schatzsucher in einem riesigen, dunklen Wald (das ist das Material, das Sie untersuchen wollen). Ihr Ziel ist es, die wertvollsten Steine zu finden. Aber Sie haben nur eine begrenzte Anzahl von Schritten (Zeit und Energie), bevor Ihr Kompass ausfällt.

Das alte Problem:
Früher waren die Schatzsucher (die Computer-Algorithmen) sehr vorsichtig und langweilig. Wenn sie einen glänzenden Stein fanden, blieben sie dort stehen und suchten nur noch in der unmittelbaren Umgebung nach noch mehr glänzenden Steinen. Sie ignorierten den Rest des Waldes. Das Problem dabei: Vielleicht gab es in einer anderen Ecke des Waldes einen Stein, der nicht nur glänzte, sondern auch eine magische Eigenschaft hatte, die niemand kannte. Die alten Methoden verpassten diese seltenen, aber wichtigen Entdeckungen, weil sie zu sehr auf das bekannten "Beste" fixiert waren.

Die neue Lösung: PATHFINDER
Die Forscher haben einen neuen, intelligenten Navigator namens PATHFINDER entwickelt. Er funktioniert wie ein kluger Expeditionsleiter, der zwei Dinge gleichzeitig im Kopf behält:

1. Die Suche nach dem Neuen (Struktur): "Wo habe ich noch nie gewesen?"
2. Die Suche nach dem Wertvollen (Funktion): "Wo könnte der größte Schatz liegen?"

Wie funktioniert PATHFINDER? (Mit Analogien)

Stellen Sie sich PATHFINDER als einen Detektiv vor, der zwei verschiedene Werkzeuge benutzt:

1. Der "Kunst-Experte" (Für die Struktur)
Der Detektiv schaut sich die Landschaft an (z. B. ein Bild des Materials). Anstatt alles genau zu vermessen, fasst er die Bilder in seinem Kopf zu kleinen "Gefühlen" oder "Stimmungen" zusammen (das nennt man im Fachjargon latenter Raum).

• Die Analogie: Wenn er ein Bild von einem Wald sieht, denkt er: "Das fühlt sich an wie 'dicht und grün'." Wenn er ein Bild von einer Wüste sieht, denkt er: "Das fühlt sich an wie 'karg und sandig'."
• Die Aufgabe: Er sucht gezielt nach Orten, die sich anders anfühlen als alles, was er bisher gesehen hat. Er will keine weiteren "dichten Wälder", sondern vielleicht eine "Felslandschaft", die er noch nie gesehen hat. Das ist die Neugier.

2. Der "Wissens-Prophet" (Für die Funktion)
Gleichzeitig versucht er vorherzusagen, wo die magischen Steine (die gewünschten Materialeigenschaften) liegen könnten. Er lernt aus den wenigen Messungen, die er bereits gemacht hat.

• Die Analogie: Er sagt: "In der Nähe des Flusses habe ich schon mal einen glänzenden Stein gefunden. Vielleicht gibt es dort noch mehr?"
• Die Aufgabe: Er will die Orte finden, die die besten Ergebnisse liefern. Das ist die Optimierung.

Das Geniale daran:
Die meisten alten Systeme mussten sich entscheiden: "Entweder ich suche nach Neuem ODER ich suche nach dem Besten." PATHFINDER sagt: "Warum nicht beides?"

Er nutzt eine Art Zweikampf-Strategie (im Papier "Multi-Objective" genannt):

• Er geht nicht dorthin, wo es am meisten Schätze gibt (denn dort könnte er stecken bleiben).
• Er geht nicht dorthin, wo es am fremdesten aussieht (denn dort könnte es wertlos sein).
• Er sucht den "Sweet Spot": Orte, die sowohl neuartig sind (wir wissen noch nicht viel darüber) als auch vielversprechend aussehen.

Was passiert in der Praxis?

Das Team hat PATHFINDER an zwei Dingen getestet:

1. Im Computer (Vorbereitung): Sie gaben dem System eine riesige Datenbank mit Bildern und Spektren von Nanopartikeln. PATHFINDER konnte viel schneller und vielfältiger die interessantesten Partikel finden als ein normaler Algorithmus. Er entdeckte Muster, die sonst übersehen worden wären.
2. Im echten Labor (Live): Sie ließen PATHFINDER ein echtes Material (eine ferroelektrische Folie) untersuchen. Der Navigator steuerte das Mikroskop. Statt sich auf eine Stelle zu konzentrieren, sprang er geschickt zwischen verschiedenen Bereichen hin und her. Er fand Bereiche, die nicht nur funktional stark waren, sondern auch strukturell einzigartig – genau wie ein Entdecker, der nicht nur den höchsten Berg besteigt, sondern auch die versteckten Täler erkundet.

Warum ist das wichtig?

Stellen Sie sich vor, Sie backen einen Kuchen.

• Der alte Weg wäre: "Ich probiere immer wieder denselben Zuckermenge aus, weil der letzte Kuchen gut schmeckte." (Man verpasst vielleicht, dass eine Prise Salz den Kuchen noch besser macht).
• Der PATHFINDER-Weg wäre: "Ich probiere eine Prise Salz, dann etwas weniger Mehl, dann eine andere Temperatur." Er sucht nicht nur nach dem perfekten Kuchen, sondern erkundet das gesamte Spektrum möglicher Geschmäcker, um wirklich neue und bessere Rezepte zu finden.

Zusammenfassend:
PATHFINDER ist ein smarter Assistent für Wissenschaftler. Er verhindert, dass wir in der Falle des "Bekannten" stecken bleiben. Er balanciert die Neugier (Entdeckung des Unbekannten) mit dem Ziel (das Beste finden) und hilft uns, in der Welt der Materialien Dinge zu entdecken, die wir sonst nie gesehen hätten. Er macht das Mikroskop nicht nur zu einem Messgerät, sondern zu einem echten Entdecker.

Technische Zusammenfassung

1. Problemstellung

Die Automatisierung von Mikroskopie-Experimenten (z. B. Rasterelektronenmikroskopie, Rasterkraftmikroskopie) steht vor der Herausforderung, begrenzte experimentelle Budgets (Zeit, Strahlenschädigung) effizient zu nutzen.

• Einschränkungen bestehender Ansätze: Die meisten maschinell gesteuerten Workflows optimieren ein einziges, vordefiniertes Ziel (z. B. maximale Signalintensität). Dies führt häufig zu einer vorzeitigen Konvergenz auf bekannte, lokale Optima und übersehen seltene, aber wissenschaftlich bedeutsame Zustände.
• Multimodalitäts-Problem: In komplexen Experimenten müssen strukturelle Informationen (Bildgebung) und spektrale/funktionale Daten (Spektroskopie) kombiniert werden. Die Definition eines einzigen skalaren Belohnungssignals (Reward) für beide Räume ist oft schwierig oder führt zu suboptimalen Ergebnissen, da strukturelle Neuheit und funktionale Leistung nicht immer korrelieren.
• Menschliche Interaktion: Während menschliche Operatoren dynamisch zwischen Exploration (Entdeckung neuer Phänomene) und Exploitation (Vertiefung bekannter Bereiche) wechseln, fehlt vielen automatisierten Systemen die Fähigkeit, diesen Balanceakt über verschiedene Datenkanäle hinweg zu koordinieren.

2. Methodik: Das PATHFINDER-Framework

PATHFINDER (Policy for Active, Time-aware, Human-in-the-loop, Fidelity-adaptive Imaging, Navigation, and Discovery with Efficient Rewards) ist ein Framework für autonome Mikroskopie, das Multi-Objective Bayesian Optimization (MOBO) mit Latent-Space-Repräsentationen kombiniert.

Kernkomponenten:

1. Strukturelle Belohnung ($R_1$) – Entdeckung von Neuheit:

   • Das System nutzt einen Variational Autoencoder (VAE), um lokale Bildpatches (z. B. aus HAADF- oder Topographie-Bildern) in einen kompakten latenten Raum zu kodieren.
   • Die strukturelle Belohnung $R_1$ wird als „Neuheit" definiert, basierend auf dem Abstand eines neuen Messpunkts zu bereits gemessenen Punkten im latenten Raum.
   • Es werden zwei Ansätze verglichen:
     • Statisch: Abstand zum globalen latenten Mittelwert (Rarität im gesamten Datensatz).
     • Adaptiv: Abstand nur zu den bisher im Experiment gemessenen Punkten (fördert die Exploration von noch nicht besuchten Regionen während des Experiments).

2. Funktionale Belohnung ($R_2$) – Optimierung der Antwort:

   • $R_2$ repräsentiert das physikalische Ziel (z. B. EELS-Spektralintensität, Nichtlinearität in der Ferroelektrik).
   • Da $R_2$ nur an gemessenen Stellen bekannt ist, wird ein Surrogatmodell (Deep Kernel Learning / Gaussian Process) verwendet, um die erwartete Antwort und die Unsicherheit für ungemessene Punkte vorherzusagen.

3. Multi-Objective Optimierung:

   • Statt $R_1$ und $R_2$ zu gewichten, werden sie als separate Ziele behandelt.
   • Die nächste Messposition wird durch Maximierung der erwarteten Hypervolumen-Verbesserung (Expected Hypervolume Improvement, EHVI) ausgewählt.
   • Dies fördert Punkte, die die Pareto-Front zwischen struktureller Neuheit und funktionalem Gewinn erweitern, anstatt sich nur auf ein einzelnes Optimum zu konzentrieren.

4. Human-in-the-Loop:

   • Das Framework erlaubt Eingriffe des Benutzers, um Prioritäten, Belohnungsfunktionen oder das Gleichgewicht zwischen Exploration und Exploitation dynamisch anzupassen.

3. Schlüsselbeiträge

• Entkopplung von Struktur und Funktion: PATHFINDER behandelt strukturelle Vielfalt und funktionale Optimierung als zwei gekoppelte, aber getrennte Ziele, was eine umfassendere Abdeckung des Struktur-Eigenschafts-Landschafts ermöglicht.
• Adaptive Neuheitsdefinition: Die Einführung einer dynamischen (adaptiven) Neuheitsmetrik, die sich mit jedem neuen Messpunkt aktualisiert, verhindert, dass das System in bereits besuchten „Bassins" stecken bleibt, und fördert eine breitere Exploration des latenten Raums.
• Integration in Echtzeit-Experimente: Das Framework wurde nicht nur an simulierten Daten getestet, sondern erfolgreich in einem echten, sequentiellen Experiment (Scanning Probe Microscopy) implementiert.

4. Ergebnisse

Die Methode wurde an zwei Systemen validiert:

1. Vorab gesammelte STEM-EELS-Daten (Nanopartikel):

   • Das Framework identifizierte erfolgreich eine breite Palette von Pareto-optimalen Lösungen, die sowohl strukturell neuartige als auch spektral intensive Bereiche abdecken.
   • Im Gegensatz zu einzieligen Optimierungen kollabierte der Suchprozess nicht auf einen einzigen Punkt, sondern verteilte die Messungen über den gesamten Feldbereich, wobei Grenzflächen und seltene Strukturen gezielt angesteuert wurden.

2. Echtzeit-Experiment (Ferroelektrische PbTiO₃-Dünnschichten):

   • In einem autonomen SPM-Experiment (50 Messungen) zeigte PATHFINDER eine nicht-uniforme Trajektorie, die sich auf Domänengrenzen und heterogene Bereiche konzentrierte.
   • Vergleich Statisch vs. Adaptiv: Die adaptive Neuheitsdefinition führte zu einer signifikant besseren Abdeckung des latenten Strukturraums im Vergleich zur statischen Definition. Das System vermied redundante Messungen in bereits erkundeten Regionen und wandte sich stattdessen neuen, strukturell unterschiedlichen Zuständen zu.
   • Die Trajektorie zeigte typische Muster einer unsicherheitsbewussten Suche: Phasen der lokalen Verfeinerung gefolgt von Sprüngen zu neuen Regionen, sobald der marginale Gewinn in der aktuellen Umgebung abnahm.

5. Bedeutung und Ausblick

• Paradigmenwechsel: PATHFINDER markiert einen Übergang von rein optimierungsgetriebener Mikroskopie zu einer entdeckungsorientierten (discovery-oriented) Autonomie. Es erkennt an, dass der wissenschaftliche Wert oft in seltenen oder unerwarteten Zuständen liegt, nicht nur im Maximum einer bekannten Funktion.
• Effizienz: Durch die intelligente Allokation des Messbudgets über strukturelle und spektrale Räume hinweg werden kostspielige Zerstörungen von Proben vermieden und die Wahrscheinlichkeit, neue Struktur-Eigenschafts-Beziehungen zu finden, erhöht.
• Zukunft: Das Framework legt den Grundstein für noch komplexere multimodale Experimente, bei denen verschiedene Bildgebungsmodalitäten, Spektroskopie und externe Vorwissen in einem gemeinsamen Entscheidungszyklus integriert werden. Es ermöglicht eine Hypothesen-getriebene Wissenschaft, die auf menschliche Anleitung reagiert und sich an sich ändernde experimentelle Ziele anpasst.

Zusammenfassend bietet PATHFINDER einen robusten, mathematisch fundierten Ansatz, um die Komplexität moderner Materialcharakterisierung zu bewältigen und sicherzustellen, dass autonome Labore nicht nur das „Offensichtliche" finden, sondern das „Unerwartete" entdecken.