An Open-Source Hardware and Software Toolkit to Enable Agentic RHEED-Guided Thin-Film Synthesis

Decennialang hebben wetenschappers vertrouwd op een techniek genaamd reflectie hoogenergetische elektronen diffractie om te zien hoe atomen zich rangschikken terwijl ze nieuwe materialen vormen. Stel je een bundel elektronen voor die onder een zeer ondiepe hoek op het oppervlak van een kristal slaat, zoals een steen die over een meer springt. De manier waarop deze elektronen terugkaatsen, creëert een patroon van licht en donkere strepen op een scherm, wat fungeert als een realtime kaart van de atomaire structuur van het oppervlak. Deze kaart vertelt onderzoekers of het materiaal laag voor laag glad groeit of dat het ruw en ongeordend wordt. Het aflezen van deze kaart is echter traditioneel een traag, handmatig proces. Een menselijke operator moet de apparatuur constant aanpassen om de bundel uitgelijnd te houden en de verschuivende patronen met het blote oog te interpreteren, een taak die van persoon varieert en het moeilijk maakt om de creatie van nieuwe materialen te automatiseren.

Een team van onderzoekers bij Oak Ridge National Laboratory heeft nu een complete, open-source toolkit gebouwd waarmee zowel menselijke operators als kunstmatige intelligentie-agenten deze elektronenbundel kunnen besturen en de resulterende patronen kunnen analyseren zonder menselijke tussenkomst. Ze hebben een systeem ontwikkeld dat automatisch de bundel kan uitlijnen, de oriëntatie van het kristal kan meten en nauwkeurige gegevens kan extraheren over hoe snel een film groeit en hoe geordend de atomen zijn. Door deze hardware en software te verbinden met moderne AI, hebben ze aangetoond dat een computer een eenvoudige opdracht in gewone menselijke taal kan krijgen, zoals "analyseer de groeisnelheid", en dat het vervolgens onafhankelijk het experiment opzet, de analyse uitvoilt en de resultaten teruggeeft. Dit werk elimineert de noodzaak voor constante menselijke supervisie, waardoor een complexe, subjectieve visuele taak wordt omgezet in een reproduceerbaar, geautomatiseerd proces dat gedeeld en verbeterd kan worden door de wereldwijde wetenschappelijke gemeenschap.

De kern van dit nieuwe systeem is een stuk aangepaste hardware dat fungeert als het zenuwstelsel voor de elektronenbundel. In het verleden vereiste het aanpassen van de positie van de bundel handmatige knoppen of propriëtaire software die vaak afgeschermd of moeilijk aan te passen was. De onderzoekers hebben dit vervangen door een goedkope, programmeerbare chip die nauwkeurige elektrische signalen kan sturen naar de magneten die de elektronenbundel sturen. Dit stelt het systeem in staat om de bundel op een gecontroleerde, geautomatiseerde manier over het monster te laten zwenken, een proces dat bekend staat als het verzamelen van een "rocking curve", wat wetenschappers helpt de kwaliteit van het oppervlak te begrijpen. Het team heeft ook een softwareroutine gemaakt die kalibreert hoe de magneten samenwerken, waardoor het punt waar de bundel het monster raakt perfect stil blijft staan wanneer de bundelhoek verandert. Dit niveau van precisie is essentieel voor het verzamelen van betrouwbare gegevens, en door de besturingscode open source te maken, hebben ze andere laboratoria in staat gesteld om deze opstelling te repliceren zonder dat zij dure, propriëtaire apparatuur nodig hebben.

Zodra de bundel onder controle is, moet het systeem precies bepalen hoe het kristalmonster georiënteerd is. Traditioneel zou een wetenschapper het monster roteren en naar het patroon op het scherm kijken, en stoppen wanneer de strepen perfect symmetrisch leken. Deze methode leunt op menselijk oordeel en kan leiden tot inconsistenties. De nieuwe toolkit gebruikt een andere aanpak: het maakt een video van het roterende monster en gebruikt een wiskundige maatstaf voor symmetrie om het exacte moment te vinden waarop het patroon het meest gebalanceerd is. De software detecteert automatisch de randen van het monster en de heldere plekken in het patroon, waarbij het corrigeert voor eventuele kantelingen of uitlijningsfouten voordat de symmetrie wordt berekend. Deze "training-vrije" methode betekent dat het op elk materiaal werkt zonder dat het eerst moet worden getraind om te herkennen hoe dat specifieke materiaal eruitziet. Het vindt de perfecte uitlijning door simpelweg te zoeken naar de meest symmetrische afbeelding, een taak die een computer met een consistentie uitvoert die mensen niet kunnen evenaren over lange perioden.

De meest significante sprong voorwaarts is de softwareapplicatie genaamd Auto-RHEED, die dient als het brein van de operatie. Dit programma kan ruwe videobeelden van de elektronenmicroscoop nemen en deze omzetten in specifieke, nuttige getallen. Het kan de afstand tussen atomen op het oppervlak berekenen, de grootte van de geordende regio's van het kristal meten en bepalen met welke snelheid nieuwe lagen worden toegevoegd. Wat dit instrument uniek maakt, is het vermogen om met kunstmatige intelligentie te communicen. De onderzoekers hebben de software verbonden met een standaardinterface die grote taalmodellen (LLM's) in staat stelt om hun tools te begrijpen en te gebruiken. In een demonstratie kreeg een AI-agent een prompt in natuurlijke taal om een experiment naar filmgroei te analyseren. Zonder specifieke instructies over waar te kijken of hoe de gegevens te verwerken, identificeerde de agent succesvol de relevante delen van de afbeelding, stelde de metingen op en berekende de groeisnelheid, allemaal in minder dan een minuut. De agent heeft niet zijn eigen manier van gegevensanalyse uitgevonden; hij gebruikte dezelfde rigoureuze methoden als een mens, maar deed dit simpelweg door de opdracht te begrijpen en de stappen uit te voeren.

Het systeem bewijst ook dat het in staat is om nieuwe wetenschappelijke methoden te integreren zodra deze worden ontwikkeld. De onderzoekers hebben de software ontworpen met een flexibele architectuur waardoor verschillende analyse-instrumenten kunnen worden ingevoegd als uitwisselbare modules. Ze demonstreerden dit door een methode toe te voegen die geavanceerde AI-modellen gebruikt om patronen in de diffractiebeelden te herkennen zonder dat daarvoor specifieke voorbeelden nodig zijn. Dit stelde het systeem in staat om verschillende stadia van kristalgroei te identificeren, zoals wanneer het materiaal overgaat van het groeien in platte lagen naar het vormen van driedimensionale eilanden, simpelweg door te observeren hoe de visuele patronen in de loop van de tijd veranderden. Omdat de software elke stap van het proces en elke gebruikte instelling registreert, zijn de resultaten volledig traceerbaar en reproduceerbaar, of ze nu zijn gegenereerd door een mens die op knoppen klikt of door een AI-agent die een tekstcommando volgt.

Door programmeerbare hardware, geautomatiseerde uitlijning en een AI-klare softwareinterface te combineren, transformeert deze toolkit RHEED van een handmatige, door de operator afhankelijke vaardigheid naar een robuuste, geautomatiseerde sensor voor materiaalsynthese. Het overbrugt de kloof tussen de fysieke handeling van het kweken van een materiaal en de digitale wereld van data-analyse, waardoor experimenten kunnen draaien die zichzelf kunnen beheren en kunnen adapteren op basis van wat ze zien. De onderzoekers hebben al hun code en ontwerpen vrij beschikbaar gesteld, wat ervoor zorgt dat deze capaciteit niet beperkt is tot één enkel laboratorium, maar een standaardinstrument kan worden voor het hele vakgebied. Dit werk legt de basis voor een toekomst waarin de creatie van nieuwe materialen wordt gestuurd door real-time, geautomatiseerde feedback, wat de ontdekking van geavanceerde technologieën die afhankelijk zijn van precieze atomaire structuren versnelt.