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

Résumé Technique : Vers un microscope électronique auto-optimisé via l'optimisation bayésienne multi-objectif sensible à la physique

Énoncé du problème
La microscopie électronique en mode transmission par balayage (STEM) à haut débit est essentielle pour la découverte de matériaux à résolution atomique, pourtant son débit pratique est sévèrement limité par la nature manuelle et laborieuse de l'alignement de l'instrument. Bien que la STEM moderne avec correction d'aberration permette une imagerie sous l'échelle de l'ångström, le maintien de conditions de sonde optimales est fragile en raison de la dérive thermique, de l'accumulation de dose et du couplage des paramètres. L'alignement automatisé traditionnel repose sur des recherches séquentielles sans gradient (par exemple, Nelder-Mead) ou sur des balayages de grille exhaustifs. Ces méthodes sont peu efficaces en termes de consommation d'échantillon, peinent à corriger simultanément plusieurs paramètres en interaction, et optimisent souvent une métrique unique, ce qui conduit à un « détournement de récompense » (reward hacking) où le système se verrouille sur des artefacts de contraste plutôt que sur la résolution réelle. À l'inverse, les méthodes émergentes d'apprentissage profond offrent de la vitesse mais manquent de flexibilité, nécessitant un réentraînement étendu pour varier les conditions de l'échantillon et échouant souvent à s'adapter à de nouveaux environnements d'imagerie. De plus, la définition de la « qualité d'image » est ambiguë ; optimiser le contraste peut dégrader la résolution, et vice versa, créant ainsi un besoin pour un cadre capable de naviguer entre ces objectifs physiques concurrents sans les réduire à un scalaire unique, potentiellement trompeur.

Méthodologie
Les auteurs introduisent un cadre d'optimisation bayésienne multi-objectif (MOBO) conçu pour régler rapidement et robustement les coefficients d'aberration. La méthodologie centrale implique :

1. Formulation de récompense sensible à la physique : Au lieu de prescrire une métrique de qualité d'image universelle, le cadre utilise des fonctions de récompense motivées par la physique et définies par l'utilisateur. L'étude implémente spécifiquement deux métriques complémentaires :
   • Variance d'image normalisée (Contraste) : Mesure l'écart type de l'intensité des pixels normalisé par la moyenne, découplant ainsi le contraste des fluctuations du courant de faisceau.
   • Puissance spectrale FFT (Résolution) : Quantifie la cristallinité en appliquant un masque passe-haut dans le domaine fréquentiel pour isoler les pics de Bragg, éliminant les signaux de fond DC.
2. Optimisation multi-objectif : Le processus de réglage est formulé comme un problème d'optimisation vectorielle $f(x) = [f_1(x), f_2(x)]$. Plutôt que de scalariser ces récompenses, l'algorithme cherche à approximer le Front de Pareto — l'ensemble des solutions où aucun objectif ne peut être amélioré sans en dégrader un autre. Cette approche expose les compromis entre des priorités concurrentes (ex. : contraste vs résolution) et empêche l'optimiseur de converger vers des « optima locaux » qui ne satisferaient qu'une seule métrique.
3. Modélisation probabiliste : Le système emploie la régression par processus gaussiens (GP) pour modéliser le paysage d'aberration de manière probabiliste. Cela permet à l'algorithme de sélectionner activement les réglages de lentille les plus informatifs à évaluer ensuite, plutôt que d'effectuer des recherches aveugles et exhaustives.
4. Stratégie Sim-to-Real : Le flux de travail a d'abord été validé à l'aide d'un simulateur basé sur la physique (construit sur abtem et pyTEMlib) simulant un instrument Thermo Fisher Spectra 300. Pour combler l'écart avec la réalité, la simulation a inclus un bruit gaussien spatialement corrélé et un bruit de tir poissonnien pour imiter l'instabilité environnementale et la stochasticité du détecteur. Le cadre a été ensuite déployé sur un microscope physique Thermo Fisher Spectra 300 utilisant les API CEOS et AutoScript, contrôlant les aberrations de 1er et 2ème ordre (défocalisation et astigmatisme) dans un espace de recherche à 7 dimensions.

Résultats clés

• Identification du Front de Pareto : Dans les environnements simulés et expérimentaux, le cadre MOBO a identifié avec succès le front de Pareto, révélant que l'état d'imagerie optimal n'est pas un large bassin, mais une variété sensible à la limite du paysage d'erreur.
• Évitement des pièges à métrique unique : L'étude a démontré que l'optimisation à objectif unique mène souvent à des états sous-optimaux. Par exemple, maximiser le contraste seul a produit des images défocalisées à haut signal qui ne parvenaient pas à résoudre les réseaux atomiques. L'approche MOBO a réussi à naviguer loin de ces « pièges de résolution » pour trouver des états équilibrés qui maximisent simultanément le contraste et la puissance spectrale.
• Efficacité de convergence : Dans l'environnement simulé, l'agent a convergé vers l'ensemble de solutions optimales en environ 25 itérations. Sur l'instrument physique, le cadre a réglé de manière robuste la défocalisation et l'astigmatisme sur des nanoparticules d'or (Au), résolvant des réseaux atomiques nets là où les approches à métrique unique avaient échoué.
• Analyse des coûts : Une décomposition des coûts d'optimisation a révélé que si la latence matérielle reste constante (~4 secondes), la surcharge computationnelle (entraînement GP et optimisation d'acquisition) croît de manière super-linéaire avec la dimensionnalité. Dans les recherches de haute dimension (7 paramètres), le calcul devient le goulot d'étranglement dominant, suggérant la nécessité d'une accélération GPU dans les itérations futures.

Signification et revendications
L'article affirme que ce cadre MOBO permet une microscopie « auto-optimisée » en maintenant dynamiquement des performances optimales pendant les expériences. Sa signification primaire réside dans :

• Robustesse au bruit et à l'ambiguïté : En traitant l'alignement comme un problème multi-objectif, le cadre agit comme un « filtre de contaminants », empêchant le système de se verrouiller sur des artefacts (comme de la saleté ou des artefacts de l'obturateur de faisceau) qui pourraient satisfaire une métrique unique.
• Capacité d'interaction humain-machine (Human-in-the-Loop) : La visualisation explicite du front de Pareto permet aux experts du domaine d'intervenir et de sélectionner le compromis optimal entre des objectifs concurrents, plutôt que de forcer une solution unique et potentiellement arbitraire.
• Efficacité des données et principes FAIR : Contraiment au réglage manuel où les données sous-optimales sont rejetées, le moteur MOBO enregistre chaque itération, créant un ensemble de données persistant et réutilisable qui lie les coefficients d'aberration aux résultats d'imagerie. Cela respecte les principes de données FAIR (Faciles à trouver, Accessibles, Interopérables, Réutilisables), construisant une base de connaissances cumulative pour de futurs modèles de substitution.
• Fondation pour l'ingénierie avancée du faisceau : Les auteurs postulent que cette capacité ouvre la voie à un façonnage intentionnel des sondes électroniques pour briser la symétrie et améliorer la sensibilité à des propriétés matérielles spécifiques (ex. : cartographie des déformations de réseau), allant au-delà de la simple correction de « point rond ».

L'étude conclut qu'en remplaçant les recherches aveugles inefficaces par un apprentissage actif sensible à la physique et efficace en termes d'échantillonnage, cette approche répond au décalage fondamental entre les récompenses théoriques idéalisées et les non-idéalités des instruments physiques, offrant une voie évolutive vers une caractérisation atomique autonome à haut débit.