PATHFINDER: Multi-objective discovery in structural and spectral spaces

Dit paper introduceert PATHFINDER, een nieuw raamwerk voor autonome microscopie dat door het combineren van innovatie-gedreven exploratie en optimalisatie in structuur-, spectrum- en meetruimtes, voorkomt dat experimenten voortijdig vastlopen op één oplossing en in plaats daarvan diverse, wetenschappelijk waardevolle toestanden ontdekt.

De kern

Stel je voor dat je een ontdekkingsreiziger bent in een gigantisch, onbekend landschap. Je hebt een beperkte hoeveelheid brandstof (tijd en energie) en je wilt zo veel mogelijk interessante plekken vinden voordat je terug moet keren.

Dit is precies het probleem waar wetenschappers mee worstelen wanneer ze microscopen gebruiken om nieuwe materialen te bestuderen. Traditioneel werken ze vaak als een blinde zoektocht: ze scannen alles systematisch, of ze focussen alleen op het eerste mooie object dat ze zien en blijven daar hangen. Ze missen daardoor vaak de zeldzame, maar wetenschappelijk waardevolle "schatten" die ergens anders verborgen liggen.

De auteurs van dit paper hebben een slimme nieuwe methode bedacht, genaamd PATHFINDER. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Blinde Vlek" van de AI

Stel je voor dat je een robot hebt die een landschap moet verkennen.

• De oude manier: De robot kijkt alleen naar wat hij al kent. Als hij een mooie bloem ziet, blijft hij daar urenlang naar staren. Hij vergeet dat er misschien een zeldzame, magische paddenstoel in de verte staat die veel interessanter is. Of hij scannt alles heel saai en systematisch, waardoor hij veel tijd verspillen aan saaie plekken.
• Het doel: Je wilt dat de robot twee dingen tegelijk doet:
  1. Zoeken naar het "Nieuwe": Plekken vinden die er anders uitzien dan alles wat hij al heeft gezien (novelty).
  2. Zoeken naar het "Nuttige": Plekken vinden waar de belangrijkste eigenschappen (zoals elektriciteit of magnetisme) het sterkst zijn.

Het probleem is dat deze twee doelen vaak botsen. De meest nuttige plek is niet altijd de meest vreemde, en de vreemdste plek is niet altijd de meest nuttige.

2. De Oplossing: PATHFINDER (De Slimme Kompas)

PATHFINDER is een slim algoritme dat de robot helpt om een evenwicht te vinden tussen deze twee doelen. Het werkt als een tweetraps-raket:

• Stap 1: De "Structuur-Scanner" (Het Nieuwe zien)
  De robot kijkt eerst naar een ruwe foto van het landschap (de structuur). Hij gebruikt een slimme "herinneringsmachine" (een VAE, een type kunstmatige intelligentie) om te begrijpen hoe de stukjes landschap eruitzien.

  • Analogie: Stel je voor dat je een verzameling stenen hebt. De meeste zijn gewoon grijs. De robot zoekt naar stenen die er anders uitzien dan de rest. Als hij een paarse steen ziet in een zee van grijze stenen, zegt hij: "Wauw, dat is uniek! Laten we daar naar kijken." Dit is de novelty.

• Stap 2: De "Kracht-Meter" (Het Nuttige meten)
  Vervolgens moet de robot beslissen: "Is deze unieke paarse steen ook interessant voor mijn experiment?" Hij bouwt een voorspellend model (een surrogaat) om te schatten welke plekken de beste eigenschappen hebben.

  • Analogie: Hij vraagt zich af: "Is deze paarse steen misschien een magische kristal dat energie opslaat?" Dit is de functie.

3. De Magie: Het "Pareto-evenwicht"

Hier komt de echte genialiteit. In plaats van te kiezen voor óf de vreemdste steen, óf de sterkste steen, zoekt PATHFINDER naar de beste combinatie.

• De oude methode: "Ik ga alleen naar de sterkste steen." -> Resultaat: Je vindt veel sterke stenen, maar je mist de zeldzame, unieke soorten.
• PATHFINDER: "Ik ga naar een plek die voldoende uniek is én voldoende sterk."
  • Het algoritme tekent een lijn (een "Pareto-front") in de lucht. Alle punten op deze lijn zijn de perfecte balans. Het robotje springt van de ene naar de andere plek op deze lijn. Zo zorgt hij ervoor dat hij niet vastloopt in één hoekje van het landschap, maar het hele gebied verkennt.

4. Twee Manieren van Werken: Statisch vs. Adaptief

Het paper beschrijft twee manieren waarop de robot zijn "novelty" (nieuwheid) berekent:

1. Statisch (De statische kaart): De robot kijkt naar een volledige kaart van het landschap die hij al heeft. Hij zegt: "Deze plek is uniek omdat hij verschilt van alles wat er is."
2. Adaptief (De levende kompas): Dit is de slimste versie. De robot vergeet zijn oude kaart en kijkt alleen naar wat hij tot nu toe heeft bezocht.
   • Analogie: Stel je voor dat je een stad verkent.
     • Statisch: "Ik ga naar de kathedraal, want die is uniek in de hele stad." (Je blijft daar hangen).
     • Adaptief: "Ik heb net de kathedraal bezocht. Nu is die plek 'saai' geworden voor mij. Ik ga nu zoeken naar iets dat uniek is in vergelijking met wat ik net heb gezien."
   • Resultaat: De adaptieve robot blijft bewegen. Hij wordt niet vastgekleefd op één plek, maar duwt zichzelf voortdurend naar nieuwe, onontdekte gebieden.

Conclusie: Waarom is dit belangrijk?

Vroeger waren geautomatiseerde microscopen als een automatische assemblagelijn: ze deden precies wat ze moesten doen, maar ze waren niet creatief. Ze zagen alleen wat ze verwachtten te zien.

PATHFINDER maakt de microscoop tot een nieuwsgierige ontdekkingsreiziger.

• Het voorkomt dat de wetenschap vastloopt in "bekende" resultaten.
• Het helpt wetenschappers zeldzame materialen te vinden die ze anders nooit hadden gezien.
• Het bespaart tijd en geld door niet te meten op saaie plekken.

Kortom: PATHFINDER zorgt ervoor dat de robot niet alleen zoekt naar het antwoord dat hij al kent, maar ook durft te zoeken naar de vragen die we nog niet hebben gesteld. Het is een stap van "automatisch meten" naar "autonoom ontdekken".

Technische samenvatting

Probleemstelling

In de geautomatiseerde materialencharacterisatie (zoals elektronenmicroscopie en scanning probe microscopie) zijn bestaande machine learning-workflows vaak beperkt tot het optimaliseren van één vooraf gedefinieerd doel. Dit leidt vaak tot een te vroege convergentie op bekende, "gemakkelijke" antwoorden, waarbij zeldzame maar wetenschappelijk cruciale toestanden worden over het hoofd gezien.

De centrale uitdaging is niet alleen bepalen waar men als volgende moet meten, maar hoe men de verkenning kan coördineren over verschillende ruimtes (structureel, spectraal en meetruimte) binnen een beperkt experimenteel budget. Bestaande methoden kampen met twee hoofdproblemen:

1. Beleid-gedreven benaderingen: Deze zijn afhankelijk van a priori kennis van de operator en missen vaak de volledige variabiliteit van de microstructuur.
2. Beloning-gedreven (reward-driven) benaderingen: Deze convergeren vaak te snel naar lokale optima en falen in het verkennen van bredere beeldruimtes, vooral wanneer de beloningsfunctie onzeker is of multimodaal van aard is.

Er is een behoefte aan een systeem dat zowel doelgerichte optimalisatie als de ontdekking van nieuwheid (novelty) balanceren, zonder vast te lopen in een enkel optimum.

Methodologie: Het PATHFINDER Framework

De auteurs introduceren PATHFINDER (Policy for Active, Time-aware, Human-in-the-loop, Fidelity-adaptive Imaging, Navigation, and Discovery with Efficient Rewards). Dit is een raamwerk voor autonome microscopie dat novelty-gedreven verkenning combineert met optimalisatie.

Het framework werkt via twee gekoppelde takken die worden samengevoegd via multi-objectieve Bayesiaanse optimalisatie:

1. Structurele Beloning ($R_1$ - Nieuwheid):

   • Gebaseerd op de lokale structuur in het beeld.
   • Gebruikt een Variational Autoencoder (VAE) om complexe microstructuren te comprimeren naar een compacte "latent space" (latente ruimte).
   • De beloning wordt berekend als de afstand van een meetpunt tot eerder gemeten punten in deze latent space. Dit identificeert structureel zeldzame of unieke staten.
   • Er wordt onderscheid gemaakt tussen een statische definitie (vergelijkbaar met een globale referentie) en een adaptieve definitie (vergelijkbaar met alleen de reeds gemeten geschiedenis), waarbij de adaptieve versie beter presteert in het vermijden van herhaling.

2. Functionele Beloning ($R_2$ - Doel):

   • Gebaseerd op de spectrale of functionele respons (bijv. EELS-signalen of niet-lineaire ferro-elektrische respons).
   • Wordt gemodelleerd door een surrogaatmodel (deep-kernel Gaussian process) dat de relatie tussen structuur en eigenschap leert.
   • Deze beloning wordt dynamisch bijgewerkt naarmate er nieuwe data wordt verzameld.

3. Selectie Strategie:

   • De volgende meetlocatie wordt geselecteerd door de hypervolume improvement te maximaliseren in de gezamenlijke $(R_1, R_2)$-ruimte.
   • Dit zorgt ervoor dat het systeem niet alleen naar het hoogste functionele signaal zoekt, maar ook naar locaties die de "Pareto-front" uitbreiden, waardoor een evenwicht ontstaat tussen het ontdekken van nieuwe structuren en het optimaliseren van de functionele respons.
   • Het systeem is ontworpen om menselijke input ("human-in-the-loop") toe te staan voor het aanpassen van prioriteiten.

Kernbijdragen

• Multi-objectieve Ontdekking: Het koppelen van structurele nieuwheid (via VAE) en functionele optimalisatie in één controller, waardoor het systeem niet vastloopt in lokale optima.
• Adaptieve Nieuwheid: De introductie van een dynamische definitie van "nieuwheid" die evolueert tijdens het experiment (adaptief versus statisch), wat leidt tot een bredere dekking van de structurele manifold.
• Universeel Toepasbaar Framework: Het framework is getest op zowel pre-acquired data (STEM-EELS) als live, autonome experimenten (Scanning Probe Microscopy), wat de robuustheid aantoont.
• Balans tussen Verkenning en Exploitatie: Het biedt een principieel mechanisme om de trade-off tussen het vinden van zeldzame structuren en het maximaliseren van de meetwaarde te beheren.

Resultaten

Het framework werd getest op twee systemen:

1. STEM-EELS Benchmark (Nanodeeltjes):

   • Op een pre-acquired dataset van tin- en fluorium-gedoteerde indiumoxide nanodeeltjes.
   • PATHFINDER slaagde erin om een breed scala aan Pareto-optimale oplossingen te vinden in de ruimte van structuur versus spectraal signaal.
   • In tegenstelling tot eerdere methoden die snel convergeerden naar één punt, bleef de trajectorie verspreid over de latent space, waardoor diverse structurele regio's werden onderzocht terwijl toch de locaties met het sterkste spectraal signaal werden geïdentificeerd.

2. Live Ferro-elektrisch Experiment (PbTiO3):

   • Een autonoom experiment op epitaxiale PbTiO3-films met scanning probe microscopie.
   • Het systeem startte met een enkele structuurscan en selecteerde vervolgens 50 meetpunten autonoom.
   • Resultaat: De adaptieve versie van PATHFINDER bereikte een systematisch grotere dekking van de structurele manifold dan de statische versie. Het systeem concentreerde zich op domeingrenzen en interface-regio's (waar de structuur uniek is) en vermijdt het herhaaldelijk meten van identieke staten.
   • De trajectorie toonde een dynamisch patroon van lokale verfijning gevolgd door verplaatsing naar nieuwe gebieden, wat wijst op een effectieve balans tussen exploratie en exploitatie.

Betekenis en Impact

Deze studie markeert een verschuiving in de filosofie van autonome microscopie: van puur optimalisatie-gedreven naar ontdekkingsgericht.

• Efficiëntie: Het maximaliseert de wetenschappelijke opbrengst binnen beperkte tijds- en dosisbudgetten door zeldzame maar belangrijke toestanden niet te missen.
• Robuustheid: Door de multi-objectieve aanpak is het systeem minder gevoelig voor ruis en lokale optima dan traditionele single-objective methoden.
• Toekomstperspectief: Het framework legt de basis voor nog geavanceerdere "self-driving laboratories" die multimodale data (beeld, spectroscopie, externe priors) kunnen integreren en dynamisch kunnen reageren op veranderende wetenschappelijke hypotheses.

Kortom, PATHFINDER biedt een nieuwe manier om microscopie-experimenten te sturen die niet alleen zoekt naar het "beste" antwoord, maar actief de volledige landschap van structuur-eigenschapsrelaties verkent.