Novelty-Driven Target-Space Discovery in Automated Electron and Scanning Probe Microscopy

Les auteurs présentent le cadre BEACON, basé sur l'apprentissage par noyau profond, qui permet de guider la découverte scientifique en temps réel dans la microscopie électronique et à sonde locale en explorant activement des régimes de réponse diversifiés plutôt que de se limiter à l'optimisation d'objectifs connus.

L'essentiel

🕵️‍♂️ Le Problème : Le Dilemme du Détective Microscopique

Imaginez que vous êtes un détective privé chargé d'explorer une immense ville inconnue (un matériau scientifique) pour trouver des trésors cachés. Vous avez deux outils :

1. Une carte rapide (l'image du microscope) qui vous montre les rues et les bâtiments.
2. Un détecteur de métaux lent et coûteux (le spectre chimique) qui vous dit exactement ce qu'il y a dans chaque bâtiment, mais qui prend beaucoup de temps et use votre batterie.

Le problème classique : Jusqu'à présent, les scientifiques utilisaient deux stratégies pour explorer cette ville :

• La stratégie "Grille" : Ils visitent chaque maison, une par une, dans un ordre rigide. C'est sûr, mais cela prend une éternité et use l'échantillon.
• La stratégie "Optimisation" : Ils cherchent le "meilleur" trésor connu. Une fois qu'ils trouvent une maison qui semble prometteuse, ils s'y installent et continuent à fouiller uniquement autour de là, en espérant trouver encore mieux. Le problème ? Ils ratent souvent des trésors totalement différents qui se trouvent dans une autre partie de la ville, parce qu'ils sont trop focalisés sur leur découverte initiale.

💡 La Solution : BEACON, le Détective Curieux

Les auteurs de cet article ont créé un nouvel algorithme intelligent appelé BEACON. Au lieu de chercher uniquement le "meilleur" trésor, BEACON est programmé pour être curieux.

Son objectif n'est pas de trouver le plus gros diamant, mais de découvrir des types de trésors qu'il n'a jamais vus auparavant.

L'Analogie du "Menu de Restaurant"

Imaginez que vous êtes dans un restaurant avec 100 plats différents, mais vous ne pouvez en goûter que 10 avant de partir.

• L'ancien algorithme (Optimisation) : Il goûte un plat, trouve qu'il est délicieux, et commande 9 fois le même plat (ou des variantes très proches) pour s'assurer qu'il n'a pas raté la perfection. Résultat : vous repartez avec 10 assiettes de la même chose.
• BEACON (Découverte) : Il goûte un plat, puis se dit : "Tiens, ce goût est nouveau ! Je vais essayer de trouver un plat différent de celui-ci." S'il goûte un plat épicé, il cherchera un plat sucré ou salé, pas un autre plat épicé. Il veut remplir son assiette avec une diversité de saveurs.

⚙️ Comment ça marche techniquement (sans les maths compliquées) ?

1. L'Apprentissage en Direct (Deep Kernel Learning) :
   BEACON a un cerveau artificiel qui apprend en temps réel. À chaque fois qu'il regarde une petite zone de l'image (la carte), il essaie de deviner ce que le détecteur lent (le spectre) va trouver. Il apprend la relation entre "l'apparence du bâtiment" et "son contenu chimique".

2. La Carte des "Nouveautés" (Target-Space Discovery) :
   Au lieu de chercher le point le plus élevé sur une carte (le sommet de la montagne), BEACON cherche les zones où la carte est étrange. Il se demande : "Est-ce que ce que je vais trouver ici ressemble à ce que j'ai déjà vu ?"

   • Si oui -> Il passe son chemin.
   • Si non -> Il y va ! C'est là que réside la "nouveauté".

3. Le Jeu de la Devinette (Thompson Sampling) :
   Pour ne pas être trop confiant, BEACON joue un jeu de hasard intelligent. Il imagine plusieurs scénarios possibles pour chaque endroit. Si un endroit est incertain (il pourrait être très étrange), il a une chance de l'explorer. Cela l'empêche de se bloquer dans une seule zone.

🌍 Les Résultats : Ce qui s'est passé en vrai

Les chercheurs ont testé cette méthode sur deux types de "villes" microscopiques :

1. Des cristaux magnétiques (comme des aimants microscopiques).
2. Des nanoparticules (des petits morceaux de matière).

Ce qu'ils ont observé :

• Les anciennes méthodes (comme "Expected Improvement") se sont rapidement coincées dans une petite zone, comme un chien qui tourne en rond autour de son os préféré.
• BEACON, lui, a parcouru toute la ville. Il a visité des quartiers très différents, découvrant une grande variété de comportements chimiques. Il a trouvé des "trésors" rares que les autres méthodes auraient ignorés car ils ne ressemblaient pas au trésor initial.

🚀 Pourquoi c'est important ?

Avant, pour découvrir de nouvelles propriétés dans la matière, il fallait souvent faire des cartes exhaustives (très long) ou espérer tomber sur quelque chose par hasard.

Aujourd'hui, avec BEACON :

• Le microscope devient autonome. Il décide où regarder ensuite.
• Il ne cherche pas seulement à "optimiser" (trouver le meilleur), mais à découvrir (trouver l'inconnu).
• Cela permet de trouver des défauts rares ou de nouvelles phases de la matière beaucoup plus vite, sans abîmer l'échantillon.

En résumé

Imaginez que vous cherchez des étoiles dans le ciel.

• L'ancien système regardait intensément la constellation la plus brillante.
• BEACON regarde partout, cherchant spécifiquement les étoiles qui ont une couleur ou une luminosité qu'il n'a jamais vues, afin de cartographier la diversité de tout l'univers, pas juste la partie la plus lumineuse.

C'est une nouvelle ère où l'intelligence artificielle aide les scientifiques à explorer l'inconnu avec curiosité, plutôt que de simplement confirmer ce qu'ils savent déjà.

Résumé technique

1. Problématique

La microscopie électronique et à sonde locale automatisée fait face à un défi fondamental de découverte : dans de nombreux systèmes matériels, les informations scientifiques les plus cruciales ne résident pas dans les caractéristiques visuelles immédiates de l'image, mais dans l'espace cible des spectres ou des réponses fonctionnelles acquis séquentiellement.

Les stratégies traditionnelles d'apprentissage automatique (comme l'optimisation bayésienne classique) tendent à se concentrer sur l'optimisation d'un objectif connu ou à explorer l'espace des caractéristiques (structurel) en se basant sur l'incertitude de prédiction. Cela conduit souvent à un effondrement de la trajectoire d'exploration vers une région locale spécifique de l'image, négligeant ainsi des comportements physiques rares ou émergents situés ailleurs. De plus, les contraintes de temps d'acquisition et les dommages causés par le faisceau empêchent les stratégies de balayage exhaustif (grilles denses), rendant nécessaire le développement d'algorithmes capables de rechercher activement de nouveaux comportements sans connaître à l'avance les cibles.

2. Méthodologie : Le cadre BEACON-DKL

Les auteurs ont développé un cadre d'apprentissage actif appelé BEACON (Bayesian Evolutionary Analysis for Cosmological Observation Networks), couplé à un modèle d'Apprentissage Profond par Noyau (Deep Kernel Learning - DKL).

• Architecture DKL : Le système utilise un réseau de neurones convolutifs (CNN) pour extraire des caractéristiques de patches d'images brutes (par exemple, des images HAADF-STEM) et les projeter dans un espace latent de faible dimension. Ces représentations servent d'entrée à un Processus Gaussien (GP) qui modélise la relation entre la structure locale et la réponse spectrale. Le noyau profond $k_{deep}$ est optimisé conjointement avec les hyperparamètres du GP.
• Fonction d'acquisition BEACON : Contrairement aux méthodes qui maximisent une valeur scalaire, BEACON vise la découverte de la nouveauté dans l'espace cible (réponse).
  • Il définit un « ensemble d'élite » ($\mathcal{E}$) contenant le meilleur fraction des mesures acquises selon un critère physique.
  • Pour un candidat $x$, le score d'acquisition $\alpha_{BEACON}(x)$ est calculé comme la distance moyenne aux $k$ plus proches voisins dans l'ensemble d'élite, dans l'espace des réponses.
  • L'algorithme utilise l'échantillonnage de Thompson (Thompson Sampling) pour tirer des échantillons stochastiques de la distribution postérieure, permettant de gérer l'incertitude du modèle et d'encourager l'exploration de régions où la réponse prédite pourrait être statistiquement nouvelle par rapport à l'élite actuelle.
• Boucle autonome : Le processus itère : acquisition d'une image, mise à jour du modèle DKL, calcul du score de nouveauté, sélection du point suivant, acquisition du spectre, et répétition jusqu'à épuisement du budget expérimental.

3. Contributions Clés

• Déplacement de l'objectif d'optimisation vers la découverte : Passage d'une logique de maximisation de valeur à une logique de recherche de diversité dans l'espace des réponses (target space).
• Intégration DKL-BEACON : Adaptation de l'algorithme BEACON original pour fonctionner avec des données de microscopie haute dimension via un extracteur de caractéristiques CNN, permettant de traiter directement les patches d'images.
• Cadre de validation transparent : Développement d'un ensemble de fonctions de surveillance (metrics) pour évaluer la qualité de l'exploration, la couverture de l'espace cible et le comportement du modèle de substitution, permettant une comparaison rigoureuse avec les stratégies classiques (EI, MU).
• Déploiement réel : Transition réussie de la validation sur des données pré-acquises (« jumeaux numériques ») vers une implémentation en temps réel sur un microscope électronique à transmission (STEM).

4. Résultats

Les performances de BEACON ont été comparées aux stratégies classiques d'optimisation bayésienne : Expected Improvement (EI) et Maximum Uncertainty (MU), sur deux types de données :

1. Microscopie à sonde locale (PFM) : Cartographie des domaines ferroélectriques (PTO).
2. Microscopie électronique (STEM-EELS/EDX) : Nanoparticules plasmoniques et nanorods.

Constats principaux :

• Évitement de l'effondrement spatial : Les stratégies EI et MU tendent à se concentrer rapidement sur une petite région de l'image (effondrement de la trajectoire), répétant les mesures dans des zones similaires. BEACON maintient une trajectoire spatialement distribuée et diversifiée.
• Couverture supérieure : BEACON atteint une couverture plus rapide et plus complète de l'espace cible (distribution des valeurs de réponse) et de l'espace latent (variété des motifs structuraux) par rapport aux autres méthodes.
• Robustesse du modèle : Le modèle de substitution (surrogate) entraîné avec BEACON présente une erreur absolue moyenne (MAE) plus stable et moins de variance, car il est exposé à une plus grande diversité de données structurales.
• Validation en temps réel : Lors du déploiement sur un microscope STEM réel pour identifier des nanostructures riches en Sélénium, BEACON a démontré une capacité supérieure à explorer l'espace des patches (patch space coverage) et à localiser des régions structurellement distinctes par rapport à EI et MU.
• Surcharge computationnelle : Le temps de calcul supplémentaire pour BEACON (environ 0,05 s par étape) est négligeable par rapport au temps d'acquisition matérielle (~3 s).

5. Signification et Impact

Ce travail marque une étape importante vers une « ère ouverte » de la découverte automatisée. Il démontre que les décisions algorithmiques peuvent devenir une partie intégrante du processus de mesure, et non une simple étape de post-traitement.

• Changement de paradigme : L'article propose de passer de la simple optimisation de paramètres connus à la découverte systématique de comportements émergents et de phases rares, même lorsque la définition de la « nouveauté » n'est pas entièrement connue à l'avance.
• Accessibilité : Les auteurs fournissent des notebooks et du code open-source, permettant à la communauté scientifique de reproduire les flux de travail, de tester les benchmarks et d'adapter la méthode à leurs propres instruments.
• Généralité : Bien que démontré sur la microscopie électronique et à sonde locale, le cadre BEACON-DKL est applicable à tout système où la relation structure-propriété doit être explorée de manière efficace avec un budget de mesures limité.

En résumé, cette étude fournit une solution robuste pour guider les microscopes automatisés vers la découverte de phénomènes physiques inattendus, en évitant les pièges des stratégies d'optimisation locales traditionnelles.