SimuScan-Agent: language-model orchestration of synthetic-data-driven autonomous atomic force microscopy
SimuScan-Agent 是一个由大语言模型（LLM）编排的框架，它将物理启发式合成数据生成与自适应采集策略相结合，以实现自主、目标导向的原子力显微镜操作，在显著减少测量时间和面积的同时，通过自然语言交互实现智能纳米结构表征。
原始论文采用 CC BY 4.0 许可（https://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
想象一下，试图用一个只能一次看到极小区域、移动缓慢的单一探测器，去绘制一片广袤且未知的景观。这就是科学家使用原子力显微镜时的日常现实——这是一种强大的工具，通过在表面上拖动一个微观针尖，来揭示材料在原子尺度上的形状和纹理。虽然这种技术可以观察到任何其他显微镜都无法看到的细节，但传统上它是一个缓慢且僵化的过程。科学家通常会为机器编程，让它像割草机割草一样，沿着完美的网格线逐行扫描一大片区域。这种方法能保证没有任何遗漏，但效率极低。如果科学家正在寻找隐藏在大片区域中的某种罕见微小特征，机器可能会在最终找到它之前，花费数小时扫描空白区域，从而浪费时间和资源。长期以来的挑战在于，如何让这些机器变得更聪明，使其能够根据已经观察到的内容来决定下一步去哪里看，而不是盲目地遵循预设的路径。
橡树岭国家实验室的一个研究小组通过开发一种名为 SimuScan-Agent 的新系统，在解决这一问题上迈出了重要一步。该系统充当了人类简单的请求与显微镜复杂的自动化运动之间的桥梁。现在，研究人员不再需要编写代码来告诉机器具体该做什么，而是可以用简单的英语描述他们的目标，例如“在这个样品中寻找罕见的三角形结构”。随后，该系统会将这一指令转化为一系列自动化的步骤。首先，它会创建一个庞大的合成图像库，模拟研究人员感兴趣的材料。这些图像并非随机猜测；它们是利用物理规则构建的，旨在模仿真实显微镜观察世界的方式，包括真实仪器产生的噪声和模糊效果。由于这些图像是由计算机生成的，因此其中的每一个物体都自带一个完美的、自动生成的标签，准确地告知系统它是什么。
利用这些带有完美标签的合成图像，该系统训练了一个计算机模型来识别需要寻找的形状。一旦模型准备就绪，真正的实验就开始了。显微镜开始扫描大面积区域，但它不再进行网格化移动，而是进行智能移动。在拍摄完一张照片后，系统会分析所见内容，并立即决定下一张照片应该在哪里拍摄。如果模型发现了一个常见的形状，它可能会快速移动；如果它检测到了罕见形状或对某个区域不确定，它就会优先处理该位置。这种被称为“自适应探索”的过程，使显微镜能够将其能量集中在样本中最有趣的部分。在测试中，这种方法使系统能够探索约 10 平方毫米的大区域，而仅扫描了 17.2% 的可用位置。在计算机模拟中，与传统的网格扫描法相比，该方法减少了大约 71% 的测量次数。
这项实验的结果不仅限于节省时间。该系统不仅找到了物体，还建立了一个详尽的库，记录了它遇到的每一个结构。对于每个物体，它都记录了其位置、形状和独特的纹理。研究人员随后利用这个库来区分典型的形状示例和异常的形状。他们发现，大多数结构看起来完全符合预期，但系统成功识别出了少数扭曲、不完整或具有奇怪表面特征的结构，这些可能是由于制造过程中的缺陷造成的。这种无需人工干预即可自动筛选数千个微小结构并标记异常情况的能力，为材料科学开启了一扇新的大门。这意味着研究人员现在可以要求他们的显微镜在大样本中搜寻罕见事件或特定缺陷，并在比以往快得多的时间内获得全面的答案，同时在实验进行的过程中，不断深入了解材料的真实本质。
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。