Hierarchical automation of scanning probe microscopy through agentic orchestration and algorithmic control
本文提出了一种用于扫描探针显微镜的分层自主实验框架，该框架将用于高层科学推理与策略选择的智能体 AI 与用于精确、可靠物理执行及定量分析的确定性算法协同结合。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
长期以来，科学一直依赖于人类好奇心与机器精密性之间的伙伴关系。研究人员提出问题，设计实验，然后观察仪器收集数据，并经常根据所见情况回到绘图板前调整方法。这种观察与调整的循环是发现的心跳，但它也是缓慢的，并且受限于人类思考的速度以及一个人能同时追踪多少个变量。近年来，计算机开始承担更多的这类思考工作。人工智能系统（通常被称为“智能体”）现在可以阅读用自然语言编写的指令，结合不同类型的信息，并决定下一步该做什么。然而，这些系统并不完美。当涉及到物理学的硬性数字——例如测量精确距离、计算精确力量或将微型探针移动到特定位置时——纯粹的智能推理往往是不稳健、不一致或仅仅是太慢。现代科学面临的挑战不是用机器人取代人类大脑，也不是让机器人肆意妄为，而是找到两者之间的正确平衡。
一组研究人员开发了一种运行实验的新方法，将这些角色清晰地分离开来。他们创建了一个系统，其中人工智能智能体充当策略师，决定寻找什么以及为什么要寻找；而一个独立的、僵化的计算机程序则充当技术员，处理精确的测量和移动。这种方法在一种强大的显微镜上进行了测试，这种显微镜可以在原子尺度上感知材料的电学特性。其目标是理解材料中被称为“畴”的微小区域是如何切换其电学方向的。在过去，科学家必须手动扫描表面，挑选有趣的地点，并逐一进行测试。这个新系统可以自主完成这一切，从一个广泛的问题开始，以一个明确的答案结束，或者至少是一个对“无法回答的部分”的明确理解。
实验始于一块已知具有复杂内部结构的陶瓷材料。研究人员给了计算机系统一条单一的、开放式的指令：弄清楚这些微小的电学畴的局部排列如何影响它们的切换方式。系统不知道该看哪里，不知道该测量什么，也不知道该持续多久。首先，智能体观察了材料表面的广泛扫描。它检查了显微镜产生的不同类型的图像，例如表面高度图像和显示材料对电场力响应的图像。智能体判断了哪些图像对当前任务最有用。它确定了电学响应和表面形状是关键线索，而其他信号则不太重要。
一旦智能体知道要寻找什么，它就必须将“有趣的地点”这一模糊概念转化为机器可以遵循的地图。它创建了一套规则来寻找特定的特征，例如电学状态较强的区域、不同区域边界附近的区域，以及表面粗糙或不平整的点。至关重要的是，智能体还构建了一张安全地图。它识别出了显微镜探针可能会卡住或数据不可靠的区域，例如深处的划痕或松动的颗粒。这张安全地图充当了护栏，确保机器永远不会尝试在可能毁掉实验的地方进行测量。
有了这些地图后，系统开始了它的工作。它在经过安全批准的地图上选择了一个符合其规则的地点，例如靠近边界的位置。随后，一个独立的、确定性的程序接管了工作。该程序计算出精确的坐标，将显微镜探针移动到那个精确的位置，并进行了一次测试，以观察材料如何切换其电学状态。测试产生了一个显示材料随电压变化而响应的数据环。智能体随后审查了这个环。它并没有重新计算数字，而是判断了结果的质量。它会问：信号是否清晰？环是否完整？它是否告诉了我们需要知道的信息？如果数据环噪声太大或不完整，智能体会决定改变下一次测试的设置，例如增加电压范围以获得更清晰的图像。
系统重复这个循环，在移动到不同地点时不断学习。它不仅仅是随机选择地点，而是主动寻求新的信息。如果它已经测试了许多边界附近的点，它可能会决定寻找远离边界的点，以观察其中的差异。它实时调整策略，填补知识空白。在进行一系列测量后，系统注意到了一些重要的现象。它发现，在它所研究的区域内，不可能找到一个既远离边界又具有弱电学状态的点。每当它试图寻找弱点时，最终都会靠近边界。智能体意识到，在这个特定的样本中，这两者是纠缠在一起的。它无法分离它们的影响，因为该材料本身就不具备能够分离两者的特征组合。
这种认知是发现的关键部分。系统并没有只是机械地进行测量直到耗尽时间。相反，它意识到它已经达到了从这块特定材料中获取信息的极限。它停止了实验，得出结论：虽然它收集了大量有用的数据，但针对最初提出的特定问题，在当前条件下无法得到完全的解答。系统成功识别了实验本身的局限性。它知道自己发现了什么，错过了什么，以及为什么无法进一步研究。
研究人员发现，这种灵活思考与僵化执行的结合比任何单一方法都更有效。智能体擅长理解大局并适应新信息，但它依赖于确定性程序来处理精确的数学运算和移动。如果没有这个僵化的程序，智能体可能会在计算上出错，或者将探针移动到错误的位置。如果没有智能体，程序只会遵循固定的计划，无法在数据看起来异常或实验需要改变方向时做出调整。通过保持角色的分离，系统既聪明又可靠。
最终，实验展示了科学自动化的一种新路径。它表明，只要重体力活（即计算和控制）由可靠且不变的代码处理，就可以给机器一个宏大的目标并允许其自行处理细节。该系统不仅收集数据，它还解释数据，调整计划，并知道何时停止。它证明了自主实验可以不仅仅是人类做同样事情的加速版。它可以是一个理解证据局限性，并知道何时问题已被回答、或何时答案超出了当前设置范围的合作伙伴。这种方法提供了一种探索复杂材料的方式，使其具备了以往难以实现的适应性和严谨性，为更高效、更有洞察力的科学发现开启了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。