🔬 materials science

An Open-Source Hardware and Software Toolkit to Enable Agentic RHEED-Guided Thin-Film Synthesis

Este artículo presenta un conjunto de herramientas de hardware y software de código abierto que permite el control autónomo impulsado por IA y el análisis cuantitativo de la Difracción de Electrones de Alta Energía de Reflexión (RHEED) para la síntesis de películas delgadas, superando así las dependencias tradicionales del operador y estableciendo una base para el crecimiento de materiales totalmente agéntico.

Autores originales: Asraful Haque, Christopher M. Rouleau, Rama K. Vasudevan, Sumner B. Harris

Publicado 2026-09-15

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Asraful Haque, Christopher M. Rouleau, Rama K. Vasudevan, Sumner B. Harris

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Durante décadas, los científicos han dependido de una técnica llamada difracción de electrones de alta energía por reflexión para observar cómo los átomos se organizan a medida que se forman nuevos materiales. Imagine un haz de electrones golpeando la superficie de un cristal en un ángulo muy superficial, como una piedra saltando sobre un lago. La forma en que estos electrones rebotan crea un patrón de rayas claras y oscuras en una pantalla, actuando como un mapa en tiempo real de la estructura atómica de la superficie. Este mapa le dice a los investigadores si el material está creciendo suavemente capa por capa o si se está volviendo rugoso y desordenado. Sin embargo, leer este mapa ha sido tradicionalmente un proceso lento y manual. Un operador humano debe ajustar constantemente el equipo para mantener el haz alineado e interpretar los patrones cambiantes a ojo, una tarea que varía de persona a persona y que dificulta la automatización de la creación de nuevos materiales.

Un equipo de investigadores del Laboratorio Nacional de Oak Ridge ha construido ahora un conjunto de herramientas completo y de código abierto que permite tanto a operadores humanos como a agentes de inteligencia artificial controlar este haz de electrones y analizar los patrones resultantes sin intervención humana. Desarrollaron un sistema que puede alinear automáticamente el haz, medir la orientación del cristal y extraer datos precisos sobre la velocidad a la que crece una película y qué tan ordenados son sus átomos. Al conectar este hardware y software a la IA moderna, demostraron que una computadora puede recibir una solicitud simple en lenguaje natural, como "analizar la tasa de crecimiento", y de forma independiente configurará el experimento, realizará el análisis y devolverá los resultados. Este trabajo elimina la necesidad de supervisión humana constante, convirtiendo una tarea visual compleja y subjetiva en un proceso reproducible y automatizado que puede ser compartido y mejorado por la comunidad científica global.

El núcleo de este nuevo sistema es una pieza de hardware personalizada que actúa como el sistema nervioso del haz de electrones. En el pasado, ajustar la posición del haz requería perillas manuales o software propietario que a menudo estaba bloqueado o era difícil de modificar. Los investigadores reemplazaron esto con un chip de bajo costo y programable que puede enviar señales eléctricas precisas a los imanes que dirigen el haz de electrones. Esto permite que el sistema desplace el haz a través de la muestra de una manera controlada y automatizada, un proceso conocido como la recolección de una "curva de rotación" (rocking curve), lo que ayuda a los científicos a comprender la calidad de la superficie. El equipo también creó una rutina de software que calibra cómo funcionan los imanes en conjunto, asegurando que cuando el ángulo del haz cambera, el punto donde golpea la muestra permanezca perfectamente inmóvil. Este nivel de precisión es esencial para recopilar datos fiables, y al hacer que el código de control sea de código abierto, han permitido que otros laboratorios repliquen esta configuración sin necesidad de equipos costosos y propietarios.

Una vez que el haz está bajo control, el sistema debe determinar exactamente cómo está orientado la muestra de cristal. Tradicionalmente, un científico rotaría la muestra y observaría el patrón en la pantalla, deteniéndose cuando las rayas parecieran perfectamente simétricas. Este método depende del juicio humano y puede generar inconsistencias. El nuevo conjunto de herramientas utiliza un enfoque diferente: toma un video de la muestra rotando y utiliza una medida matemática de simetría para encontrar el momento exacto en que el patrón es más equilibrado. El software detecta automáticamente los bordes de la muestra y los puntos brillantes en el patrón, corrigiendo cualquier inclinación o desalineación antes de calcular la simetría. Este método "libre de entrenamiento" significa que funciona en cualquier material sin necesidad de haber sido enseñado previamente cómo es ese material. Encuentra la alineación perfecta simplemente buscando la imagen más simétrica, una tarea que la computadora realiza con una consistencia que los humanos no pueden igualar durante periodos prolongados.

El salto más significativo es la aplicación de software llamada Auto-RHEED, que sirve como el cerebro de la operación. Este programa puede tomar metraje de video bruto del microscopio electrónico y convertirlo en números específicos y útiles. Puede calcular la distancia entre los átomos en la superficie, medir el tamaño de las regiones ordenadas del cristal y determinar la velocidad a la que se añaden nuevas capas. Lo que hace que esta herramienta sea única es su capacidad para hablar con la inteligencia artificial. Los investigadores conectaron el software a una interfaz estándar que permite a los modelos de lenguaje extensos entender y utilizar sus herramientas. En una demostración, un agente de IA recibió una instrucción en lenguaje natural para analizar un experimento de crecimiento de película. Sin instrucciones específicas sobre dónde mirar o cómo procesar los datos, el agente identificó con éxito las partes relevantes de la imagen, configuró las mediciones y calculó la tasa de crecimiento, todo en menos de un minuto. El agente no inventó su propia forma de analizar los datos; utilizó los mismos métodos rigurosos que usaría un humano, pero lo hizo simplemente comprendiendo la solicitud y ejecutando los pasos.

El sistema también demuestra que puede integrar nuevos métodos científicos a medida que se desarrollan. Los investigadores diseñaron el software con una arquitectura flexible que permite conectar diferentes herramientas de análisis como módulos intercambiables. Demostraron esto añadiendo un método que utiliza modelos de IA avanzados para reconocer patrones en las imágenes de difracción sin necesidad de ser entrenado en ejemplos específicos. Esto permitió al sistema identificar diferentes etapas del crecimiento de cristales, como cuando el material pasa de crecer en capas planas a formar islas tridimensionales, simplemente observando cómo cambiaban los patrones visuales a lo largo del tiempo. Debido a que el software registra cada paso del proceso y cada configuración utilizada, los resultados son totalmente trazables y reproducibles, ya hayan sido generados por un humano haciendo clic en botones o por un agente de IA siguiendo un comando de texto.

Al combinar hardware programable, alineación automatizada y una interfaz de software lista para la IA, este conjunto de herramientas transforma la RHEED de una habilidad manual dependiente del operador en un sensor robusto y automatizado para la síntesis de materiales. Cierra la brecha entre el acto físico de cultivar un material y el mundo digital del análisis de datos, permitiendo experimentos que pueden ejecutarse por sí mismos y adaptarse según lo que observan. Los investigadores han puesto todos sus códigos y diseños a disposición de forma gratuita, asegurando que esta capacidad no esté limitada a un solo laboratorio, sino que pueda convertirse en una herramienta estándar para todo el campo. Este trabajo sienta las bases para un futuro donde la creación de nuevos materiales sea guiada por retroalimentación automatizada en tiempo real, acelerando el descubrimiento de tecnologías avanzadas que dependen de estructuras atómicas precisas.

Resumen Técnico: Un conjunto de herramientas de hardware y software de código abierto para habilitar la síntesis de películas delgadas guiada por RHEED de forma agéntica

Planteamiento del problema
La difracción de electrones de alta energía por reflexión (RHEED) es el diagnóstico estándar en tiempo real para monitorear el crecimiento epitaxial de películas delgadas, proporcionando datos críticos sobre la morfología superficial, el espaciado de la red y los modos de crecimiento. Sin embargo, su potencial para la síntesis totalmente autónoma se ve actualmente limitado por flujos de trabajo no automatizados que dependen del operador. Específicamente, la alineación del haz de electrones y el azimut cristalográfico de la muestra a menudo dependen del juicio visual subjetivo, lo que introduce variabilidad entre experimentos. Además, el análisis cuantitativo de los datos de RHEED suele requerir scripts específicos para cada instrumento que carecen de interfaces estandarizadas para la orquestación automatizada. Si bien se ha aplicado el aprendizaje automático (ML) para la clasificación de patrones de RHEED y la detección de modos de crecimiento, estos avances se ven obstaculizados por la falta de una geometría de adquisición reproducible y la ausencia de un control programático de código abierto sobre la propia óptica electrónica. El cuello de botella para que RHEED sea un observable legible por máquinas en la síntesis autónoma reside no solo en el control del hardware, sino también en los métodos de adquisición y los procesos de análisis circundantes.

Metodología
Los autores presentan un conjunto integral de herramientas de hardware y software de código abierto diseñado para permitir la adquisición programable de RHEED, la alineación automatizada y el análisis cuantitativo, demostrado en un sistema de deposición por láser pulsado (PLD).

Control de Hardware (basado en FPGA): El equipo desarrolló una cadena de control de bajo costo y código abierto utilizando una plataforma FPGA PYNQ basada en Xilinx Zynq. Este sistema acepta comandos a través de un servidor HTTP y controla convertidores digital-analógicos (DAC) para manejar los parámetros del cañón de electrones (corriente de emisión, voltaje, enfoque) y cuatro bobinas de deflexión (X1, X2, Y1, Y2). Esta configuración permite secuencias de voltaje arbitrarias y sincronizadas para el direccionamiento del haz.
Alineación Automática del Haz: Se estableció una rutina de calibración para determinar el acoplamiento lineal entre las bobinas de deflexión vertical (X1 y X2) requerido para mantener una posición de aterrizaje del haz constante en la muestra mientras se barre el ángulo de incidencia. Al maximizar la intensidad especular durante un barrido de voltaje en 2D, el sistema deriva una "condición de centrado del haz" (una ecuación lineal) que permite la adquisición automatizada de curvas de rotación (rocking curves) sin deriva del haz.
Alineación Azimutal Libre de Entrenamiento: Para automatizar la alineación de la muestra a un eje de zona cristalográfico simétrico, los autores introdujeron una rutina libre de entrenamiento. Este método evalúa la simetría de espejo izquierda-derecha del patrón de difracción utilizando el Índice de Similitud Estructural (SSIM). La rutina detecta automáticamente el haz directo y el borde de la sombra para corregir la inclinación de la muestra, y luego escanea el azimut de la muestra para encontrar el ángulo que maximiza la simetría del patrón.
Software Auto-RHEED: Se desarrolló una aplicación basada en navegador, Auto-RHEED, con un núcleo de análisis en Python desacoplado. Cuenta con:
- Análisis Cuantitativo: Extracción del espaciado de red en el plano, longitud de coherencia aparente y tasas de crecimiento (mediante análisis de Fourier de las oscilaciones de intensidad) a partir de secuencias de imágenes de RHEED.
- Arquitectura de Adaptadores Extensible: El software soporta "adaptadores" intercambiables para modelos de IA (por ejemplo, DINOv3 para embeddings, YOLO para segmentación), métodos de análisis temporal (por ejemplo, RHAAPsody) y simulaciones basadas en física (por ejemplo, torch-rheed).
- Interfaz Agéntica: Un servidor de Protocolo de Contexto de Modelo (MCP) expone todas las herramientas de análisis a los Modelos de Lenguaje Extensos (LLM). Esto permite que los agentes de IA seleccionen rutinas, configuren parámetros y ejecuten análisis basados en solicitudes de lenguaje natural, emulando las capacidades disponibles para los operadores humanos a través de la interfaz gráfica.

Resultados Clave

Control del Haz: El sistema basado en FPGA calibró con éxito las bobinas de deflexión, logrando una relación lineal ( $R^2 = 0.994$ ) entre los voltajes de las bobinas que mantiene la posición del haz durante los barridos angulares. Esto permitió la adquisición automatizada de curvas de rotación.
Alineación Azimutal: La rutina de autosimetría identificó con éxito la alineación azimutal [110] óptima para un sustrato de SrTiO $_3$ , encontrando un pico de SSIM nítido en el ángulo correcto sin selección manual de características ni datos de entrenamiento previos. El método demostró ser robusto ante la inclinación de la muestra y las variaciones en el montaje.
Análisis Cuantitativo: Auto-RHEED extrajo con éxito observables estructurales y cinéticos de los datos de crecimiento por PLD. Resolvió oscilaciones periódicas de monocapa en el espaciado de red y la longitud de coherencia, y calculó tasas de crecimiento (por ejemplo, 0.1334 ML s $^{-1}$ ) consistentes con el análisis manual.
Demostración Agéntica: Un agente de IA, tras recibir una solicitud en lenguaje natural, ejecutó con éxito un flujo de trabajo completo de análisis en una película de SrTiO $_3$ diferente. El agente seleccionó automáticamente las regiones de interés, calibró el sistema y devolvió resultados cuantitativos (espaciado de red, tasa de crecimiento) idénticos a los obtenidos mediante la interfaz gráfica, completando la sesión en menos de un minuto.
Simulación e Inferencia de IA: El conjunto de herramientas comparó con éxito las curvas de rotación experimentales con simulaciones de difracción dinámica (torch-rheed), mostrando una buena concordancia en las posiciones de los picos. Además, se utilizaron modelos de visión preentrenados (DINOv3) para generar embeddings de los fotogramas de RHEED, permitiendo el agrupamiento no supervisado para distinguir entre diferentes regímenes de crecimiento (2D, mixto 2D+3D, y 3D/policristalino) sin necesidad de entrenamiento específico para la tarea.

Significancia y Reivindicaciones
Los autores afirman que este trabajo aborda barreras distintas para las mediciones de RHEED reproducibles y cuantitativas al proporcionar una vía práctica para incorporar nuevos métodos computacionales y permitir el control agéntico. Las reivindicaciones clave incluyen:

Accesibilidad: El conjunto de herramientas hace que el control y el análisis de RHEED sean accesibles tanto para operadores humanos como para agentes de IA a través de interfaces estandarizadas y compartidas (GUI y MCP).
Reproducibilidad: Al automatizar la alineación del haz y la orientación azimutal, el sistema reduce la variabilidad dependiente del operador, un paso crítico hacia la síntesis experimental fiable con retroalimentación.
Extensibilidad: La arquitectura de adaptadores permite que los métodos desarrollados por la comunidad (como nuevos modelos de IA o simulaciones de difracción) se integren sin problemas sin modificar el software central, asegurando que la plataforma evolucione junto con los avances en el aprendizaje automático y la física.
Fundamento para la Autonomía: La combinación de hardware programable, alineación libre de entrenamiento y análisis accesible para agentes establece una base para el control agéntico futuro de la síntesis de películas delgadas, donde RHEED sirve como una fuente interrogada activamente de información superficial para guiar las decisiones de crecimiento.

El artículo enfatiza que estas herramientas no reemplazan la física del experimento, sino que proporcionan la infraestructura necesaria para hacer de RHEED un observable legible por máquina y accionable dentro de los laboratorios autónomos.

Más como este