Towards Self-Optimizing Electron Microscope: Robust Tuning of Aberration Coefficients via Physics-Aware Multi-Objective Bayesian Optimization

Resumo Técnico: Rumo ao Microscópio Eletrônico Auto-Otimizável via Otimização Bayesiana Multiobjetivo com Consciência Física

Definição do Problema
A Microscopia Eletrônica de Varredura por Transmissão (STEM) de alto rendimento é essencial para a descoberta de materiais em resolução atômica, mas sua produtividade prática é severamente limitada pela natureza manual e laboriosa do alinhamento do instrumento. Embora a STEM moderna com correção de aberrações permita imagens de sub-angstrom, a manutenção das condições ideais da sonda é frágil devido ao drift térmico, acúmulo de dose e acoplamento de parâmetros. O alinhamento automatizado tradicional baseia-se em buscas seriais sem gradiente (ex: Nelder-Mead) ou varreduras de grade exaustivas. Esses métodos são ineficientes em termos de amostra, têm dificuldade em corrigir múltiplos parâmetros interagentes simultaneamente e frequentemente otimizam uma única métrica, levando ao "reward hacking" (exploração de recompensa), onde o sistema trava em artefatos de alto contraste em vez de resolução real. Por outro lado, os métodos emergentes de aprendizado profundo oferecem velocidade, mas carecem de flexibilidade, exigindo retreinamento extensivo para diferentes condições de amostra e muitas vezes falhando em se adaptar a novos ambientes de imagem. Além disso, a definição de "qualidade de imagem" é ambígua; otimizar para contraste pode degradar a resolução e vice-versa, criando a necessidade de um framework que possa navegar por esses objetivos físicos conflitantes sem colapsá-los em um único escalar potencialmente enganoso.

Metodologia
Os autores introduzem um framework de Otimização Bayesiana Multiobjetivo (MOBO) projetado para ajustar coeficientes de aberração de forma rápida e robusta. A metodologia central envolve:

1. Formulação de Recompensa com Consciência Física: Em vez de prescrever uma única métrica universal de qualidade de imagem, o framework utiliza funções de recompensa motivadas fisicamente e definidas pelo usuário. O estudo implementa especificamente duas métricas complementares:
   • Variância Normalizada da Imagem (Contraste): Mede o desvio padrão da intensidade dos pixels normalizado pela média, desacoplando o contraste das flutuações da corrente do feixe.
   • Potência Espectral de FFT (Resolução): Quantifica a cristalinidade aplicando uma máscara de alta passagem no domínio da frequência para isolar os picos de Bragg, eliminando sinais de fundo DC.
2. Otimização Multiobjetivo: O processo de ajuste é formulado como um problema de otimização vetorial $f(x) = [f_1(x), f_2(x)]$. Em vez de escalar essas recompensas, o algoritmo busca aproximar a Fronteira de Pareto — o conjunto de soluções onde nenhum objetivo único pode ser melhorado sem degradar outro. Esta abordagem expõe os compromissos entre prioridades conflitantes (ex: contraste vs. resolução) e evita que o otimizador converja para "ótimos locais" que satisfaçam apenas uma métrica.
3. Modelagem Probabilística: O sistema emprega regressão de Processo Gaussiano (GP) para modelar o panorama das aberrações de forma probabilística. Isso permite que o algoritmo selecione ativamente as configurações de lente mais informativas para avaliar a seguir, em vez de realizar buscas cegas e exaustivas.
4. Estratégia Sim-to-Real: O fluxo de trabalho foi primeiro validado usando um simulador baseado em física (construído com abtem e pyTEMlib) simulando um instrumento Thermo Fisher Spectra 300. Para preencher a lacuna até a realidade, a simulação incluiu ruído Gaussiano espacialmente correlacionado e ruído de contagem de Poisson para mimetizar a instabilidade ambiental e a estocasticidade do detector. O framework foi subsequentemente implantado em um microscópio físico Thermo Fisher Spectra 300 usando as APIs CEOS e AutoScript, controlando aberrações de 1ª e 2ª ordem (desfoco e astigmatismo) em um espaço de busca de 7 dimensões.

Resultos Principais

• Identificação da Fronteira de Pareto: Tanto no ambiente simulado quanto no experimental, o framework MOBO identificou com sucesso a fronteira de Pareto, revelando que o estado de imagem ideal não é um bacia ampla, mas um manifold sensível na borda do panorama de erro.
• Evitação de Armadilhas de Métrica Única: O estudo demonstrou que a otimização de objetivo único frequentemente leva a estados subótimos. Por exemplo, maximizar apenas o contraste resultou em imagens desfocadas de alto sinal que falharam em resolver redes atômicas. A abordagem MOBO navegou com sucesso longe dessas "armadilhas de resolução" para encontrar estados equilibrados que maximizam simultaneamente o contraste e a potência espectral.
• Eficiência de Convergência: No ambiente simulado, o agente convergiu para o conjunto de soluções ideais em aproximadamente 25 iterações. No instrumento físico, o framework ajustou robustamente o desfoco e o astigmatismo em nanopartículas de ouro (Au), resolvendo redes atômicas nítidas onde abordagens de métrica única falharam.
• Análise de Custo: Um detalhamento dos custos de otimização revelou que, embora a latência do hardware permaneça constante (~4 segundos), o overhead computacional (treinamento de GP e otimização de aquisição) escala de forma superlinear com a dimensionalidade. Em buscas de alta dimensão (7 parâmetros), a computação torna-se o gargalo dominante, sugerindo a necessidade de aceleração por GPU em iterações futuras.

Significância e Alegações
O artigo alega que este framework MOBO possibilita a microscopia "auto-otimizável" ao sustentar dinamicamente o desempenho ideal durante os experimentos. Sua principal significância reside em:

• Robustez a Ruído e Ambiguidade: Ao tratar o alinhamento como um problema multiobjetivo, o framework atua como um "filtro de contaminantes", impedindo que o sistema trave em artefatos (como sujeira ou artefatos do bloqueador de feixe) que possam satisfazer uma única métrica.
• Capacidade de Humano-no-Loop: A visualização explícita da fronteira de Pareto permite que especialistas de domínio intervenham e selecionem o compromisso ideal entre objetivos conflitantes, em vez de forçar uma única solução, potencialmente arbitrária.
• Eficiência de Dados e Princípios FAIR: Diferente do ajuste manual onde dados subótimos são descartados, o motor MOBO registra cada iteração, criando um conjunto de dados persistente e reutilizável que vincula coeficientes de aberração a resultados de imagem. Isso adere aos princípios de dados FAIR (Encontráveis, Acessíveis, Interoperáveis, Reutilizáveis), construindo uma base de conhecimento cumulativa para futuros modelos substitutos.
• Fundação para Engenharia Avançada de Feixe: Os autores postulam que esta capacidade abre caminho para a modelagem intencional de sondas eletrônicas para quebrar a simetria e aumentar a sensibilidade a propriedades materiais específicas (ex: mapeamento de tensões de rede), indo além da simples correção de "ponto redondo".

O trabalho conclui que, ao substituir buscas cegas ineficientes por aprendizado ativo com consciência física e amostragem eficiente, esta abordagem aborda o descompasso fundamental entre recompensas teóricas idealizadas e as não-idealidades de instrumentos físicos, ofereferendo um caminho escalável para a caracterização atômica de alto rendimento e autônoma.