Novelty-Driven Target-Space Discovery in Automated Electron and Scanning Probe Microscopy

Este artigo apresenta o framework BEACON, baseado em aprendizado de kernel profundo, que permite a descoberta ativa de novos comportamentos em microscopia eletrônica e de sonda ao explorar o espaço-alvo de espectros e respostas funcionais, validando a abordagem tanto em benchmarks offline quanto em experimentos reais de microscopia eletrônica de transmissão de varredura (STEM).

O essencial

Imagine que você é um explorador em uma floresta gigante e misteriosa (o mundo da ciência de materiais). O seu objetivo não é apenas encontrar árvores bonitas ou flores coloridas (as imagens que você vê), mas descobrir novas espécies de insetos invisíveis ou sons estranhos que só existem em lugares específicos da floresta.

O problema é que você tem pouco tempo e sua bateria acaba rápido. Se você caminhar em linha reta cobrindo tudo (o método antigo), vai gastar toda a bateria antes de achar algo interessante. Se você ficar apenas onde achou uma flor bonita, vai perder o resto da floresta.

É aqui que entra este novo estudo, que apresenta um "explorador inteligente" chamado BEACON.

O Problema: A Armadilha da "Melhor Árvore"

Antes, os microscópios automáticos funcionavam como um caçador de recompensas simples:

1. Eles olhavam para a imagem.
2. Procuravam o lugar que parecia mais promissor.
3. Focavam apenas naquele lugar, medindo tudo ali repetidamente.

A analogia: É como se você estivesse procurando o melhor sorvete da cidade. Você prova um, acha ótimo, e decide ficar parado naquele mesmo quarteirão provando o mesmo sorvete 100 vezes, ignorando que há sabores totalmente diferentes (e talvez melhores) em outros bairros. O microscópio ficava "preso" em uma região, perdendo a chance de descobrir coisas novas e estranhas.

A Solução: O BEACON (O Explorador Curioso)

Os cientistas criaram um novo sistema chamado BEACON (que usa uma inteligência artificial chamada Deep Kernel Learning). Em vez de apenas procurar o "melhor" resultado, ele foi programado para ser curioso.

Aqui está como ele funciona, usando metáforas simples:

1. O Mapa e a Bússola (Aprendizado em Tempo Real):
   O BEACON olha para a imagem da amostra (como ver a textura da terra) e, ao mesmo tempo, começa a aprender o que acontece quando ele mede algo ali (como ouvir o som do vento). Ele cria um "mapa mental" que atualiza a cada passo.

2. A Busca pelo "Estranho" (Descoberta de Novidade):
   Em vez de perguntar "Onde está o melhor?", o BEACON pergunta: "Onde está o mais diferente do que eu já vi?".

   • Analogia: Imagine que você tem uma caixa de lápis de cor. Se você já viu vermelho, azul e verde, o BEACON não vai procurar mais um vermelho. Ele vai correr para o lado da caixa para ver se existe um "laranja-estranho" ou um "roxo-brilhante" que ninguém nunca viu.

3. O "Elito" e a Distância:
   O sistema mantém um grupo de "melhores descobertas" (o Elito). Quando ele decide para onde ir a seguir, ele escolhe o lugar que está mais longe (em termos de comportamento) desse grupo. Ele quer ver o que acontece nas bordas, onde as coisas são imprevisíveis.

4. A Sorte Controlada (Thompson Sampling):
   Às vezes, o sistema não tem certeza do que vai encontrar. Em vez de ter medo, ele usa um pouco de "sorte controlada". Ele imagina vários cenários possíveis e escolhe um para explorar. Isso ajuda a não ficar preso em lugares óbvios e permite descobrir surpresas.

O Resultado: Mais Descobertas, Menos Tempo

Os cientistas testaram isso em dois tipos de "florestas":

• Microscopia de Sonda (PFM): Onde eles procuravam como materiais elétricos se comportavam. O BEACON conseguiu mapear a diversidade do material muito mais rápido e de forma mais uniforme do que os métodos antigos.
• Microscopia Eletrônica (STEM): Onde eles olhavam para nanopartículas. Novamente, o BEACON não ficou preso em um só lugar; ele viajou por toda a amostra, encontrando diferentes tipos de estruturas e comportamentos.

Por que isso é importante?

Antes, para descobrir algo novo, os cientistas tinham que fazer um "mapa completo" de tudo (o que demorava dias e podia estragar a amostra) ou confiar apenas no que seus olhos viam na imagem.

Com o BEACON, o microscópio se torna um parceiro de descoberta. Ele não apenas mede o que sabemos que existe; ele vai ativamente procurar o que não sabemos que existe. Ele transforma o microscópio de uma "câmera passiva" em um "explorador ativo" que sabe onde a aventura pode começar.

Em resumo: O BEACON é como um guia de turismo que, em vez de levar você apenas para as atrações famosas (o óbvio), decide levar você para os becos escuros e estranhos da cidade, porque é lá que você provavelmente vai encontrar a verdadeira joia escondida da ciência.

Resumo técnico

Título: Descoberta Orientada à Novidade no Espaço-Alvo em Microscopia Eletrônica e de Sonda Automatizada

1. O Problema

A microscopia eletrônica moderna (como STEM) e de sonda (SPM) enfrenta um desafio fundamental de descoberta científica. Em muitos sistemas complexos, as informações mais importantes não residem nas características visíveis imediatas da imagem, mas sim no espaço-alvo (target space) de espectros ou respostas funcionais adquiridos sequencialmente.

• Limitações das abordagens atuais: Estratégias clássicas de otimização (como Bayesian Optimization tradicional) tendem a focar na maximização de um valor conhecido ou na redução da incerteza em um espaço de características pré-definido. Isso frequentemente leva ao "colapso" da exploração, onde o algoritmo se concentra excessivamente em uma região local promissora, ignorando outras partes do espaço de amostra que podem conter comportamentos físicos raros ou emergentes.
• Restrições Práticas: O tempo de aquisição e o dano causado pelo feixe impedem a varredura exaustiva (grade densa) de grandes áreas para análise retrospectiva. É necessário um algoritmo que possa identificar e priorizar regiões de interesse durante o experimento, sem conhecimento prévio de onde os objetos de interesse residem.

2. Metodologia: Framework BEACON-DKL

Os autores desenvolveram um framework de aprendizado ativo chamado BEACON (Bayesian Evolutionary Analysis for Cosmological Observation Networks), integrado a uma arquitetura de Deep Kernel Learning (DKL).

• Arquitetura DKL:
  • Utiliza uma Rede Neural Convolucional (CNN) como extrator de características ($\phi(x)$) para comprimir "patches" de imagens de alta dimensão (ex: imagens HAADF-STEM) em um espaço latente de baixa dimensão.
  • Este espaço latente alimenta um Processo Gaussiano (GP). A função de kernel é transformada em um "kernel profundo" ($k_{deep}$), permitindo que o modelo aprenda a relação estrutura-propriedade diretamente dos dados brutos da imagem.
• Função de Aquisição BEACON:
  • Diferente de métodos que buscam maximizar um valor escalar, o BEACON busca novidade no espaço de resposta (espaço-alvo).
  • Define um "conjunto de elite" ($\mathcal{E}$) com as medições que apresentam os melhores desempenhos físicos até o momento.
  • Calcula uma pontuação de novidade baseada na distância média de uma nova previsão candidata até os $k$-vizinhos mais próximos no conjunto de elite.
  • Thompson Sampling: Para lidar com a incerteza do modelo, o algoritmo amostra estocasticamente da distribuição posterior (em vez de usar apenas a média) para calcular a pontuação de novidade. Isso equilibra a exploração (regiões incertas) e a exploração (regiões promissoras).
• Implementação: O sistema opera em um loop autônomo:
  1. Treina o modelo DKL nos dados atuais.
  2. Identifica o conjunto de elite.
  3. Calcula a pontuação de BEACON para locais não medidos.
  4. O microscópio move-se para o local com maior pontuação, adquire o espectro e atualiza o conjunto de dados.

3. Contribuições Principais

• Mudança de Paradigma: Transição de algoritmos focados em otimização de um objetivo conhecido para algoritmos focados na descoberta de novos comportamentos no espaço de resposta, independentemente de quão fortes sejam esses comportamentos inicialmente.
• Benchmarking Transparente: Desenvolvimento de um conjunto de funções de monitoramento para avaliar a qualidade da exploração, cobertura do espaço-alvo e comportamento do modelo substituto (surrogate model) de forma reprodutível.
• Validação Experimental Real: Demonstração da transição de validação offline (em dados pré-adquiridos) para implementação em tempo real em um microscópio eletrônico de transmissão (STEM) físico.
• Código Aberto: Disponibilização de notebooks e códigos para que a comunidade possa reproduzir os fluxos de trabalho e adaptar o método a seus próprios instrumentos.

4. Resultados

O framework foi testado em três cenários:

1. Microscopia de Força Piezoelétrica (PFM) em PTO:
   • Comparado com Expected Improvement (EI) e Maximum Uncertainty (MU), o BEACON evitou o colapso espacial. Enquanto EI e MU concentraram as medições em regiões específicas, o BEACON distribuiu as trajetórias uniformemente pela amostra.
   • Cobertura: O BEACON alcançou uma cobertura superior do espaço de resposta (valores do escalarizador) e do espaço latente (representação das estruturas) mais rapidamente e manteve essa vantagem ao longo de 300 passos.
2. STEM-EELS (Nanopartículas Plasmônicas):
   • Mesmo em um cenário com paisagem de alvo mais simples, o BEACON demonstrou uma exploração do espaço de características (feature space) muito mais diversificada do que os métodos clássicos, que tendiam a se prender a regiões centralizadas.
3. STEM-EDX em Tempo Real (Microscópio Spectra 300):
   • O algoritmo foi operacionalizado em um experimento vivo com uma biblioteca aleatória de nanorods e pontos quânticos.
   • O BEACON identificou estruturas ricas em Selênio (Se) com maior eficiência de cobertura do espaço de "patches" (diversidade estrutural) em comparação com EI e MU, confirmando que a vantagem de descoberta se traduz diretamente para condições experimentais reais.

• Desempenho Computacional: O tempo de computação para a função de aquisição do BEACON (0,05 s) é marginalmente maior que os métodos clássicos, mas permanece insignificante comparado ao tempo de aquisição de hardware (3 s), tornando-o viável para experimentos em tempo real.

5. Significado e Impacto

Este trabalho marca um passo importante rumo a uma "era aberta" de descoberta automatizada.

• Superação do "Gargalo do Escalarizador": Ao focar na novidade no espaço de resposta, o método reduz a dependência de um conhecimento de domínio profundo para definir funções de recompesa rígidas a priori.
• Descoberta de "Desconhecidos Desconhecidos": O framework é capaz de identificar defeitos raros e fases emergentes em microestruturas heterogêneas que seriam ignorados por algoritmos puramente otimizados.
• Integração Humano-Máquina: O sistema permite que a decisão algorítmica se torne parte integrante do processo de medição, não apenas uma análise pós-processamento.
• Reprodutibilidade: A disponibilização dos dados e códigos facilita a adoção e extensão dessas técnicas pela comunidade científica, estabelecendo padrões claros para validar e comparar algoritmos de descoberta em microscopia.

Em resumo, o BEACON-DKL oferece uma solução robusta para o problema de explorar espaços de parâmetros vastos e complexos em microscopia, priorizando a diversidade de comportamentos físicos descobertos em vez da simples otimização de um valor local.