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

De wetenschap heeft lang vertrouwd op een partnerschap tussen menselijke nieuwsgierigheid en machinale precisie. Een onderzoeker stelt een vraag, ontwerpt een experiment en kijkt vervolgens toe hoe een instrument gegevens verzamelt, waarbij hij vaak terugkeert naar de tekentafel om de aanpak aan te passen op basis van wat er is gezien. Deze cyclus van observatie en aanpassing is de hartslag van ontdekking, maar het is ook traag en beperkt door hoe snel een mens kan denken en hoeveel variabelen hij tegelijkertijd kan bijhouden. In de afgelopen jaren zijn computers begonnen meer van dit denkwerk over te nemen. Kunstmatige intelligentiesystemen, vaak agenten genoemd, kunnen nu instructies lezen die in gewone taal zijn geschreven, verschillende soorten informatie combineren en beslissen wat de volgende stap is. Deze systemen zijn echter niet perfect. Wanneer het gaat om de harde cijfers van de natuurkunde — het meten van exacte afstanden, het berekenen van precieze krachten of het bewegen van een minuscule probe naar een specifieke plek — kan puur intelligente redenering wankel, inconsistent of simpelweg te traag zijn. De uitdaging voor de moderne wetenschap is niet om de menselijke geest te vervangen door een robot, noch om een robot de vrije loop te laten, maar om de juiste balans tussen de twee te vinden.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om experimenten uit te voeren die deze rollen duidelijk scheidt. Ze creëerden een systeem waarbij een kunstmatige intelligentie-agent optreedt als de strateeg, die beslist waar naar te kijken en waarom, terwijl een apart, rigide computerprogramma optreedt als de technicus, die de exacte metingen en bewegingen afhandelt. Deze aanpak werd getest op een krachtige microscoop die de elektrische eigenschappen van materialen op de schaal van individuele atomen kan voelen. Het doel was om te begrijpen hoe kleine regio's in een materiaal, zogenaamde domeinen, hun elektrische richting veranderen. In het verleden zou een wetenschapper handmatig het oppervlak moeten scannen, interessante plekken moeten kiezen en tests één voor één moeten uitvoeren. Dit nieuwe systeem doet dit allemaal zelf, beginnend met een brede vraag en eindigend met een duidelijk antwoord, of althans een duidelijke verstandhouding van wat niet beantwoord kan worden.

Het experiment begon met een stuk keramisch materiaal dat bekend staat om zijn complexe interne structuur. De onderzoekers gaven het computersysteem één open einde instructie: ontdek hoe de lokale ordening van deze kleine elektrische domeinen de manier waarop ze schakelen beïnvloedt. Het systeem wist niet waar het moest kijken, wat het moest meten of hoe lang het door moest gaan. Eerst keek de agent naar een brede scan van het oppervlak van het materiaal. Het onderzocht de verschillende soorten afbeeldingen die de microscoop produceerde, zoals afbeeldingen van de oppervlaktehoogte en afbeeldingen die laten zien hoe het materiaal reageert op elektrische krachten. De agent bepaalde welke van deze afbeeldingen het meest nuttig waren voor de taak die voorhanden was. Het bepaalde dat de elektrische respons en de vorm van het oppervlak de belangrijkste aanwijzingen waren, terwijl andere signalen minder belangrijk waren.

Zodra de agent wist waar naar te kijken, moest het de vage gedachte van "interessante plekken" vertalen naar een kaart die de machine kon volgen. Het creëerde een reeks regels om specifieke kenmerken te vinden, zoals gebieden waar de elektrische staat sterk was, gebieden nabij de grenzen tussen verschillende regio's, en plekken waar het oppervlak ruw of ongelijkmatig was. Cruciaal was dat de agent ook een veiligheidskaart bouwde. Het identificeerde gebieden waar de microscoopprobe in de knoop zou kunnen raken of waar de gegevens onbetrouwbaar zouden zijn, zoals diepe krassen of losse deeltjes. Deze veiligheidskaart fungeerde als een vangrail, die ervoor zorgde dat de machine nooit zou proberen te meten op een plek die het experiment zou kunnen ruïneren.

Met deze kaarten gereed, begon het systeem aan zijn werk. Het koos een plek op de veiligheidsgecontroleerde kaart die overeenkwam met een van zijn regels, zoals een locatie nabij een grens. Een apart, deterministisch programma nam toen het heft over. Dit programma berekende de exacte coördinaten, bewoog de microscoopprobe naar die precieze plek en voerde een test uit om te zien hoe het materiaal zijn elektrische staat wijzigt. De test produceerde een lus van gegevens die liet zien hoe het materiaal reageerde op veranderende spanning. De agent beoordeelde deze lus vervolgens. Het berekende de cijfers niet opnieuw; in plaats daarvan beoordeelde het de kwaliteit van het resultaat. Het vroeg zich af: Is het signaal duidelijk? Is de lus compleet? Vertelt het ons wat we moeten weten? Als de lus te ruisachtig of incompleet was, besloot de agent de instellingen voor de volgende test aan te passen, bijvoorbeeld door het spanningsbereik te vergroten om een duidelijker beeld te krijgen.

Het systeem herhaalde deze cyclus, bewegend van de ene plek naar de andere, en leerde gaandeweg. Het koos niet zoma van willekeurige plekken; het zocht actief naar nieuwe informatie. Als het al veel plekken nabij grenzen had getest, zou het kunnen besluiten om naar plekken te zoeken die ver daarvandaan lagen om het verschil te zien. Het paste zijn strategie in realtime aan, waarbij het hiaten in zijn kennis opvulde. Na een reeks metingen merkte het systeem iets belangrijks op. Het ontdekte dat het in het gebied dat het bestudeerde onmogelijk was om een plek te vinden die zowel ver van een grens als met een zwakke elektrische staat was. Elke keer als het probeerde een zwak punt te vinden, kwam het in de buurt van een grens terecht. De agent realiseerde zich dat de twee dingen die het probeerde te bestuderen in dit specifieke monster aan elkaar gekoppeld waren. Het kon hun effecten niet scheiden omdat het materiaal simpelweg niet de juiste combinatie van kenmerken bood in het beschikbare gebied.

Dit besef was een essentieel onderdeel van de ontdekking. Het systeem bleef niet alleen metingen verrichten totdat de tijd op was. In plaats daarvan herkende het dat het de limiet had bereikt van wat er uit dit specifieke stuk materiaal geleerd kon worden. Het stopte het experiment met de conclusie dat, hoewel het veel nuttige gegevens had verzameld, de specifieke vraag waaraan het gevraagd was, onder deze omstandigheden niet volledig beantwoord kon worden. Het systeem had succesvol een beperking in het experiment zelf geïdentificeerd. Het wist wat het had gevonden, wat het had gemist en waarom het niet verder kon gaan.

De onderzoekers ontdekten dat deze mix van flexibel denken en rigide uitvoering beter werkte dan een van beide benaderingen alleen. De agent was goed in het begrijpen van het grote plaatje en het aanpassen aan nieuwe informatie, maar vertrouwde op het deterministische programma om de precieze wiskunde en beweging af te handelen. Zonder het rigide programma zou de agent fouten in berekeningen hebben gemaakt of de probe naar de verkeerde plek hebben bewogen. Zonder de agent zou het programma slechts een vast plan hebben gevolgd, niet in staat om aan te passen wanneer de gegevens er vreemd uitzagen of wanneer het experiment van richting moest veranderen. Door de rollen gescheiden te houden, kon het systeem zowel slim als betrouwbaar zijn.

Uiteindelijk demonstreerde het experiment een nieuwe weg voor wetenschappelijke automatisering. Het toonde aan dat machines een breed doel kunnen krijgen en de details zelf mogen uitzoeken, zolang het zware werk van berekening en controle wordt afgehandeld door vertrouwde, onveranderlijke code. Het systeem verzamelde niet alleen gegevens; het interpreteerde de gegevens, paste zijn plan aan en wist wanneer het moest stoppen. Het bewees dat een autonoom experiment meer kan zijn dan alleen een snellere versie van een mens die hetzelfde doet. Het kan een partner zijn die de grenzen van het bewijs begrijpt en weet wanneer een vraag is beantwoord, of wanneer het antwoord buiten het bereik van de huidige opstelling ligt. Deze aanpak biedt een manier om complexe materialen te verkennen met een niveau van aanpassingsvermogen en nauwkeurigheid dat voorheen onbereikbaar was, wat de deur opent naar efficiëntere en meer inzichtelijke wetenschappelijke ontdekkingen.