Towards Self-Optimizing Electron Microscope: Robust Tuning of Aberration Coefficients via Physics-Aware Multi-Objective Bayesian Optimization

Resumen Técnico: Hacia un microscopio electrónico auto-optimizable mediante la optimización bayesiana multiobjetivo con conocimiento de la física

Planteamiento del problema
La microscopía de transmisión electrónica de barrido (STEM) de alto rendimiento es esencial para el descubrimiento de materiales a resolución atómica; sin embargo, su rendimiento práctico se ve severamente limitado por la naturaleza manual y laboriosa de la alineación del instrumento. Si bien la corrección de aberraciones moderna en STEM permite imágenes de sub-angstrom, mantener las condiciones óptimas de la sonda es frágil debido al desplazamiento térmico, la acumulación de dosis y el acoplamiento de parámetros. La alineación automatizada tradicional depende de búsquedas seriales libres de gradientes (por ejemplo, Nelder-Mead) o de barridos de rejilla exhaustivos. Estos métodos son ineficientes en términos de muestreo, tienen dificultades para corregir múltiples parámetros interactuantes simultáneamente y a menudo optimizan una única métrica, lo que conduce al "hackeo de recompensas" (reward hacking), donde el sistema se bloquea en artefactos de alto contraste en lugar de en la resolución real. Por el contrario, los métodos emergentes de aprendizaje profundo ofrecen velocidad pero carecen de flexibilidad, ya que requieren un reentrenamiento extensivo para diversas condiciones de la muestra y a menudo fallan al adaptarse a entornos de imagen novedosos. Además, la definición de "calidad de imagen" es ambigua; optimizar el contraste puede degradar la resolución y viceversa, lo que crea la necesidad de un marco que pueda navegar estos objetivos físicos contrapuestos sin colapsarlos en un único escalar potencialmente engañoso.

Metodología
Los autores presentan un marco de Optimización Bayesiana Multiobjetivo (MOBO) diseñado para ajustar rápidamente y de forma robusta los coeficientes de aberración. La metodología central involucra:

1. Formulación de recompensa con conocimiento de la física: En lugar de prescribir una métrica de calidad de imagen universal, el marco utiliza funciones de recompensa motivadas físicamente y definidas por el usuario. El estudio implementa específicamente dos métricas complementarias:
   • Varianza de imagen normalizada (Contraste): Mide la desviación estándar de la intensidad de los píxeles normalizada por la media, desacoplando el contraste de las fluctuaciones de la corriente del haz.
   • Potencia espectral de la FFT (Resolución): Cuantifica la cristalinidad aplicando una máscara de paso alto en el dominio de la frecuencia para aislar los picos de Bragg, eliminando las señales de fondo de la componente continua (DC).
2. Optimización multiobjetivo: El proceso de ajuste se plantea como un problema de optimización vectorial $f(x) = [f_1(x), f_2(x)]$. En lugar de escalar estas recompensas, el algoritmo busca aproximar el Frente de Pareto —el conjunto de soluciones donde no se puede mejorar un solo objetivo sin degradar otro—. Este enfoque expone las compensaciones entre prioridades contrapuestas (por ejemplo, contraste frente a resolución) y evita que el optimizador converja en "óptimos locales" que satisfagan únicamente una métrica.
3. Modelado probabilístico: El sistema emplea la regresión de Procesos Gaussianos (GP) para modelar el paisaje de aberraciones de manera probabilista. Esto permite que el algoritmo seleccione activamente los ajustes de lente más informativos para evaluar a continuación, en lugar de realizar búsquedas ciegas y exhaustivas.
4. Estrategia Sim-to-Real: El flujo de trabajo fue validado primero utilizando un simulador basado en la física (construido con abtem y pyTEMlib) que simula un instrumento Thermo Fisher Spectra 300. Para cerrar la brecha con la realidad, la simulación incluyó ruido gaussiano espacialmente correlacionado y ruido de disparo de Poisson para imitar la inestabilidad ambiental y la estocasticidad del detector. Posteriormente, el marco se desplegó en un microscopio físico Thermo Fisher Spectra 300 utilizando las API CEOS y AutoScript, controlando las aberraciones de primer y segundo orden (desenfoque y astigmatismo) en un espacio de búsqueda de 7 dimensiones.

Resultados clave

• Identificación del Frente de Pareto: Tanto en el entorno simulado como en el experimental, el marco MOBO identificó con éxito el frente de Pareto, revelando que el estado de imagen óptimo no es una cuenca amplia, sino una variedad sensible en el borde del paisaje de error.
• Evitación de trampas de métrica única: El estudio demostró que la optimización de un solo objetivo a menudo conduce a estados subóptimos. Por ejemplo, maximizar el contraste por sí solo resultó en imágenes desenfocadas de alta señal que no lograban resolver las redes atómicas. El enfoque MOBO navegó con éxito lejos de estas "trampas de resolución" para encontrar estados equilibrados que maximizaban simultáneamente el contraste y la potencia espectral.
• Eficiencia de convergencia: En el entorno simulado, el agente convergió al conjunto de soluciones óptimas en aproximadamente 25 iteraciones. En el instrumento físico, el marco ajustó robustamente el desenfoque y el astigmatismo en nanopartículas de oro (Au), resolviendo redes atómicas nítidas donde los enfoques de métrica única fallaron.
• Análisis de costos: Un desglose de los costos de optimización reveló que, si bien la latencia del hardware permanece constante (~4 segundos), la sobrecarga computacional (entrenamiento de GP y optimización de la función de adquisición) escala de forma superlineal con la dimensionalidad. En búsquedas de alta dimensión (7 parámetros), la computación se convierte en el cuello de botella dominante, lo que sugiere la necesidad de aceleración por GPU en iteraciones futuras.

Significancia y Reivindicaciones
El artículo afirma que este marco MOBO permite una microscopía "auto-optimizable" al mantener dinámicamente un rendimiento óptimo durante los experimentos. Su significancia principal radica en:

• Robustez ante el ruido y la ambigüedad: Al tratar el alineamiento como un problema multiobjetivo, el marco actúa como un "filtro de contaminantes", evitando que el sistema se bloquee en artefactos (como la suciedad o los artefactos del bloqueador de haz) que podrían satisfacer una sola métrica.
• Capacidad de interacción humano-máquina (Human-in-the-Loop): La visualización explícita del frente de Pareto permite a los expertos en el dominio intervenir y seleccionar la compensación óptima entre objetivos contrapuestos, en lugar de forzar una única solución potencialmente arbitraria.
• Eficiencia de datos y principios FAIR: A diferencia del ajuste manual donde se descartan datos subóptimos, el motor MOBO registra cada iteración, creando un conjunto de datos persistente y reutilizable que vincula los coeficientes de aberración con los resultados de la imagen. Esto cumple con los principios FAIR (Localizables, Accesibles, Interoperables, Reutilizables), construyendo una base de conocimiento acumulativa para futuros modelos de sustitución (surrogate models).
• Fundamento para la ingeniería avanzada del haz: Los autores postulan que esta capacidad allana el camino para dar forma intencionada a las sondas de electrones para romper la simetría y mejorar la sensibilidad a propiedades materiales específicas (por ejemplo, el mapeo de deformaciones de red), yendo más allá de la simple corrección de un "punto redondo".

El trabajo concluye que, al reemplazar las búsquedas ciegas ineficientes con un aprendizaje activo con conocimiento de la física y eficiente en muestras, este enfoque aborda la discrepancia fundamental entre las recompensas teóricas idealizadas y las no-idealidades de los instrumentos físicos, ofreciendo un camino escalable hacia la caracterización atómica de alto rendimiento y autónoma.