Hierarchical automation of scanning probe microscopy through agentic orchestration and algorithmic control

科学は長らく、人間の好奇心と機械の精密さとのパートナーシップに依存してきました。研究者が問いを立て、実験を設計し、計器がデータを収集する様子を見守り、そして得られたものに基づいてアプローチを調整するために再び設計図に戻る――。この観察と調整のサイクルこそが発見の鼓動ですが、同時にそれは遅く、人間がいかに速く思考できるか、また一度にどれほどの変数を追跡できるかという限界に縛られています。近年、コンピュータはこの「思考」の仕事を担い始めています。「エージェント」と呼ばれる人工知能システムは、自然言語で書かれた指示を読み取り、異なる種類の情報を組み合わせ、次に何をすべきかを決定することができます。しかし、これらのシステムは完璧ではありません。物理学における硬質な数値（正確な距離の測定、精密な力の計算、あるいは微小なプローブを特定の地点へ移動させることなど）に関して言えば、純粋な知的推論は不安定であったり、一貫性を欠いたり、単に動作が遅すぎたりすることがあります。現代科学の課題は、人間の精神をロボットに置き換えることでも、ロボットを野放しにすることでもなく、両者の間の適切なバランスを見出すことです。

ある研究チームは、役割を明確に分離した新しい実験手法を開発しました。彼らは、人工知能エージェントが戦略家として「何を探すべきか」「なぜそれを行うのか」を決定し、一方で別の厳格なコンピュータプログラムが技術者として、「正確な測定や動き」を担当するというシステムを作り上げました。このアプローチは、個々の原子スケールでの物質の電気的特性を感じ取ることができる強力な顕微鏡を用いてテストされました。目的は、ドメインと呼ばれる材料内の極めて小さな領域が、どのようにその電気的な方向を切り替えるのかを理解することでした。かつてであれば、科学者は手作業で表面をスキャンし、興味深い場所を選び出し、一つずつテストを実行しなければなりませんでした。この新しいシステムは、広範な問いから始まり、明確な答え、あるいは少なくとも「何が答えられないのか」という明確な理解に至るまで、これらすべてを自律的に行います。

実験は、複雑な内部構造を持つことが知られているセラミック素材を用いて開始されました。研究者たちはコンピュータシステムに対し、「局所的な電気ドメインの配置が、スイッチングの方法にいかに影響するかを解明せよ」という、たった一つの開かれた指示を与えました。システムはどこを見るべきか、何を測定すべきか、いつ継続すべきかを知りません。まず、エージェントは材料表面のワイドスキャンの観察を行いました。それは、表面の高さを捉えた画像や、電界に対する材料の応答を示す画像など、顕微鏡が生み出すさまざまなタイプの画像を検討しました。エージェントは、今回のタスクにおいてどの画像が最も有用であるかを判断しました。そして、電気的な応答と表面の形状が主要な手がかりであり、他の信号は重要性が低いことを突き止めました。

エージェントは何を探すべきかを把握すると、「興味深いスポット」という曖昧な概念を、機械が従うことができる地図へと翻訳しなければなりませんでした。エージェントは、例えば電気状態が強い領域、異なる領域間の境界付近のエリア、あるいは表面が粗かったり凹凸があったりする箇所といった、特定の特徴を見つけ出すための一連のルールを作成しました。決定的なことに、エージェントは「安全マップ」も構築しました。探針（プローブ）が引っかかる可能性がある場所や、データが信頼できなくなる場所（深い傷や浮遊粒子など）を識別したのです。この安全マップはガードレールとして機能し、実験を台無しにするような場所に機械が進むことを決して許しませんでした。

これらのマップの準備が整うと、システムは作業を開始しました。システムは、作成されたルールのうちの一つ（例：境界に近い場所）に合致する地点を安全マップの中から選び出します。その後、別個の決定的（デターミニスティック）なプログラムが主導権を握ります。このプログラムは正確な座標を算出し、顕微鏡のプローブをその精密な位置へと移動させ、材料がどのように電気状態を切り替えるかのテストを実行しました。テストの結果、電圧の変化に伴う材料の反応を示すループ状のデータが得られました。エージェントはそのループをレビューしました。数値を再計算するのではなく、結果の質を判定したのでした。エージェントは問いました。「シグナルは鮮明か？ ループは完結しているか？ 我々が必要としている情報を伝えているか？」もしループにノイズが多い、あるいは不完全である場合は、次のテストのための設定を変更することを決定しました。たとえば、より鮮明な描写を得るために電圧範囲を拡大するなどです。

システムはこのサイクルを繰り返し、場所を移動しながら学習を進めました。ただランダムに点を選ぶのではありません。積極的に新しい情報を探し求めたのです。もしすでに境界付近の多くの地点をテストしていたならば、差を確認するためにあえて境界から離れた場所を探すこともありました。システムはリアルタイムで戦略を調整し、知識の空白を埋めていったのです。一連の測定の後、システムはある重要な事実に気づきました。調査していた領域においては、「境界から遠い」ことと「弱い電気状態を持っている」ことの両方を満たす地点を見つけることは不可能であるということを見出したのです。弱いスポットを探そうとするたびに、結局は境界の近くに行き着いてしまうのでした。エージェングは、自身が研究しようとしていた二つの要素が、この特定の試料の中では絡まり合っているのだと悟りました。現在の利用可能な領域には正しい組み合わせが存在しないため、それぞれの効果を分離することはできないのです。

この気づきこそが、発見の鍵となりました。システムは、時間が尽きるまで測定を繰り返すだけではありませんでした。むしろ、この特定の材料から学習できる限界に達したことを認識したのです。システムは実験を終了し、「この特定の材料に関する限り、提示された問いに完全に答えることはできない」という結論を下しました。システムは、自分が何を調べ、何を逃し、そしてなぜこれ以上進めないのかを正しく特定できたのです。つまり、実験自体に内在する制限事項を明らかにしたのです。

研究者たちは、こうした柔軟な思考と厳格な実行の混合が、どちらか一方のアプローチよりも優れた成果をもたらすことを発見しました。エージェントは大局を理解し新たな情報に適応することに長けていましたが、精密な数学的操作や移動については、確実なプログラムに依拠していました。確定的なプログラムがなければ、エージェントは計算ミスを起こしたり、プローブを誤った場所に移動させてしまったりしたでしょう。逆にエージェントがいなければ、プログラムは固定された計画に従うだけであり、データが奇妙に見えたり実験の方向を変える必要が出たりしても適応することはできませんでした。役割を分けることで、システムは賢さと信頼性の両立を実現できました。

最終的に、この実験は科学的オートメーションへの新たな道を提示しました。重厚な計算や制御の部分が、信頼できる変わることのないコードによって処理されている限り、機械に対して広い目標を与え、細部の決定を委ねることが可能であることを示したのです。システムは単にデータを収集しただけではなく、データを解釈し、計画を修正し、そして停止すべき時を知っていました。それは、単なる「高速化した人間」以上の存在になれることを証明しました。すなわち、証拠の限界を理解し、質問に答えが出たとき、あるいは回答が現時点の設定の及ばぬところにあるときに、それを察することができるパートナーになり得るということです。このアプローチは、高い適応性と厳密さを備えた方法で複雑な材料を探究することを可能にし、より効率的で洞察力のある科学的発見への扉を開いています。