Mic-hackathon 2024: Hackathon on Machine Learning for Electron and Scanning Probe Microscopy

あなたは、指紋を探す代わりに宇宙の最小単位である原子を探している探偵だと想像してください。科学者は強力なツールである顕微鏡を使って原子の写真を撮りますが、その画像は非常に複雑で膨大なデータに満ちていることがあり、最も賢い人間でさえ圧倒されてしまうことがあります。それは、まるで自分が話せない言語で書かれた図書館の本を、一度にすべて読もうとしているようなものです。この状況を理解するために、科学者たちは「機械学習」と呼ばれる特別な種類の脳を使って、コンピュータにこれらの画像を「読ませる」方法を教え始めています。これは単に写真をより良く撮ることではありません。顕微鏡に、思考し、判断し、リアルタイムで自らのミスを修正する方法を教えることなのです。大きな疑問は、目に見えない世界を、クリアに、迅速に、そして疲れを知らずに私たちに見せてくれるデジタルアシスタントを構築できるか？ということです。

この論文は、大規模な「ハッカソン」の報告書です。ハッカソンとは、コンピュータのエキスパートと顕微鏡科学者が協力して、これらのデジタルアシスタントを構築するために2日間集まった、エネルギーに満ちたイベントです。彼らは単にアイデアを語り合ったのではありません。現実の問題を解決するための動作するプロトタイプを構築しました。あるチームは、高価な装置を壊すことなく研究者が練習できるビデオゲーム版である、顕微鏡の「デジタルツイン」を作成しました。別のグループは、材料の中の微細な粒子を見つけ、サイズごとに分類し、さらに興味深い場所を自動的にズームアップして特定する方法をコンピュータに教えました。彼らはまた、汚れた顕微鏡のチップによって引き起こされるぼやけた画像を修正するツールを構築し、さらに、低速で重いシミュレーションを実行することなく、原子がどのように振動するかを予測することにも挑戦しました。主な発見は、これらのAIツールが驚くほどうまく機能していることです。それらは構造を特定し、乱れたデータをクリーンアップし、さらには実験の次の最善のステップを提案することさえできます。しかし、著者たちは、これらのツールは有望ではあるものの、まだ完璧ではないという点についても注意深く述べています。一部のモデルは時として混乱したり、「オーバーフィット（過学習）」したり、つまりトレーニングデータをあまりに密接に記憶しすぎてしまい、未知の新しい画像に対して苦戦したりすることがあります。論文は、より多様なデータとより優れたチューニングがあれば、これらのAIヘルパーはすぐに科学者の標準的なパートナーとなり、何時間もの手作業を数分間の自動化された発見へと変えることができるだろうと示唆しています。

顕微鏡の新しい脳：ハッカソン・レポート

全体像：なぜ顕微鏡にAIが必要なのか
現代の電子顕微鏡や走査型プローブ顕微鏡を、個々の原子を見ることができる超強力なカメラだと考えてください。しかし、これらのカメラはあまりに強力であるため、人間が見ることができるよりも速いスピードでデータを生成します。それは、1秒間に100万枚の写真を撮るカメラを持っているようなものです。もしそのすべてを見ようとしたら、一生何も成し遂げられません。数十年にわたり、科学者はこれらの画像から興味深い部分を手動で選び出さなければなりませんでしたが、そのプロセスは遅く、退屈であり、人間のミス（例えば、疲れていて小さな欠陥を見逃してしまうなど）が起こりやすいものでした。

この論文は、「Mic-hackathon 2024」と呼ばれる最近のイベントについて記述しています。そこでは、世界中の研究者がこの問題を解決するために集まりました。彼らは、コンピュータに例から学習させる技術である機械学習（ML）が、顕微鏡における退屈な部分を引き受けることができるかどうかを確かめたいと考えていました。目標は、興味深い特徴を自動的に見つけ、悪い画像をクリーンアップし、さらには顕微鏡を制御してより良い写真を自律的に撮影できるツールを作成することでした。

デジタルツイン：壊すことなく練習する
主催者が最初に行ったことの一つは、顕微鏡の「デジタルツイン」を作成することでした。パイロットのフライトシミュレーターを想像してみてください。それは、実際の飛行機を墜落させるリスクなしに、着陸の練習をさせてくれます。同様に、このデジタル顕微鏡（DTMicroscopeと呼ばれます）により、参加者は安全な仮想環境内でコードを書き、AIのアイデアをテストすることができました。彼らは、高価な実機を予約することなく、グラフェンやナノ粒子の写真を撮ることをシミュレートできました。これはゲームチェンジャーとなりました。なぜなら、コードがクラッシュしても実際の装置が損傷することはないと分かっていたため、誰もが自由に実験できたからです。

プロジェクト：チームが構築したもの
参加者は特定の課題に取り組むためにチームに分かれました。以下は、彼らが構築した最もエキサイティングな成果です。

• 自動グレイン・ファインダー（粒子の発見器）：あるチームは、生物学的な画像から細胞を見つけるために設計された「cellSAM」というモデルを使用して、金属やセラミック材料の中の結晶粒（グレイン）を見つけました。これは、コンピュータにパンの中の個々の気泡を見つけるよう教えるようなものです。コンピュータが粒子を見つけると、それらをサイズや密度によって分類でき、科学者が最も興味深い場所を研究するのを助けます。彼らはさらに、それらの特定の場所に自動的にズームするように顕微鏡に指示するシステムまで構築しました。これにより、手動での探索に費やされる時間が節約されます。
• イメージ・クリーナー（画像の清浄化）：顕微鏡のチップはしばしば「汚れ」が生じ、それが原因で画像がぼやけたり、複製されたり（まるで不思議な鏡に映った反射のように）することがあります。2つのチームは、AIを使用してこれらの「チップ・アーティファクト」を修正する作業に取り組みました。彼らは、コンピュータにぼやけた画像を見せ、元のきれいな表面がどのようなものだったかを推測するように訓練しました。AIは中程度のぼやけを修正することには非常に優れた成果を出しましたが、論文では、チップが非常に鈍くなっていたり、二股に分かれていたりする場合などの極端なケースでは苦戦することがあると記されています。これは進行中の作業ですが、有望なスタートです。
• クリスタル・プレディクター（結晶予測器）：別のチームは、永遠に時間がかかるような重い計算を行うことなく、原子がどのように振動するか（熱拡散散乱）を予測したいと考えました。彼らは、単純な「弾性」シミュレーションを見て、複雑な「振動」バージョンがどのようになるかを推測するようにニューラルネットワークを訓練しました。テストにおいて、AIの推測は実際のシミュレーションに非常に近く、将来的には科学者がこれらの複雑な結果をほぼ瞬時に得られる可能性があることを示唆しています。
• 強誘電体の探偵：あるチームは、生成的敵対ネットワーク（GAN）を使用して、チタン酸鉛という材料の内部構造を予測しました。彼らは、表面の高さを見るだけで、「分極」（材料内部の電気的な力の方向）を推測しようと試みました。AIは、異なるドメイン間の境界を特定することにおいて驚くほど優秀でしたが、時として混乱し、実際には存在しない変化を予測してしまうこともありました。これは、モデルが完全に信頼できるものになるためには、さらなるトレーニングデータが必要であることを示唆しています。
• スマート・クロッパー（賢い切り出し器）：これらのAIモデルを訓練するために、科学者はしばしば大きな画像を小さな断片に切り分ける必要があります。あるチームは、どの切り分け方法がAIの学習に最も効果的かを検証するために、異なる手法をテストしました。彼らは、「ランダム・クロッピング（ランダムな場所で切り出すこと）」が、整然としたグリッド状に切り出すよりも効果的であることを発見しました。これは、顔を正面から見るだけでなく、様々な角度から見ることで顔を認識することを学ぶようなものです。ランダムさは、AIが材料をより良く理解するのに役立ちます。

判定：有望だが、完璧ではない
ハッカソンは、機械学習が顕微鏡における真のパートナーになる準備ができていることを示しました。チームは、退屈なタスクを自動化し、乱れたデータをクレクトアップし、さらには顕微鏡を制御できるツールを構築することに成功しました。しかし、論文は非常に正直にその限界についても述べています。AIモデルは魔法ではありません。特に、見たことがないデータに遭遇したとき、時として間違いを犯します。一部のモデルは「オーバーフィット（過学習）」、つまりトレーニングの例をあまりに完璧に記憶しすぎてしまい、新しい状況に汎用的に対応できなくなります。

著者らは、次のステップはより多様なデータを収集し、モデルを洗練させることであると示唆しています。また、異なるAIツールがどの程度うまく機能するかを確認するための、より優れた「ベンチマーク（標準的なテスト）」の必要性も強調しています。究極の目標は、事後的にデータを分析するだけでなく、実験が行われている「最中に」科学者の意思決定を助けるAIを持つことです。

なぜこれが重要なのか
これは単に科学者の生活を楽にするためのものではありません。退屈な作業を自動化することで、人間の研究者はより大きな問いに集中できるようになります。これにより、新しい電池材料、より優れた太陽電池、あるいはより強い金属の発見が加速される可能性があります。論文は、まだ道の途中ではあるものの、その基礎は今まさに築かれていると結論づけています。「デジタルツイン」やハッカソン中に作成されたオープンソースのツールは、誰もが利用できるように公開されており、この新しい科学のあり方が共に成長し、向上していくことを保証しています。これは、顕微鏡が単に写真を撮るだけでなく、原子一つひとつを通じて世界を理解する手助けをする未来への一端を垣間見せるものです。