ترجمه فارسی مقاله کاوش علمی با دانش تخصصی (SEEK) در میکروسکوپ پروب روبشی خودگردان با یادگیری فعال

چکیده

Microscopy techniques have played vital roles in materials science, biology, and nanotechnology, offering high-resolution imaging and detailed insights into properties at nanoscale and atomic level. The automation of microscopy experiments, in combination with machine learning approaches, is a transformative advancement, offering increased efficiency, reproducibility, and the capability to perform complex experiments. Our previous work on autonomous experimentation with scanning probe microscopy (SPM) demonstrated an active learning framework using deep kernel learning (DKL) for structure-property relationship discovery. This approach has demonstrated broad applications in various microscopy techniques. Here, to address limitations of workflows based on DKL, we developed methods to incorporate prior knowledge and human interest into DKL-based workflows and implemented these workflows in SPM. By integrating expected rewards from structure libraries or spectroscopic features, we enhanced the exploration efficiency of autonomous microscopy, demonstrating more efficient and targeted exploration in autonomous microscopy. We demonstrated the application of these methods in SPM, but we suggest that these methods can be seamlessly applied to other microscopy and imaging techniques. Furthermore, the concept can be adapted for general Bayesian optimization in material discovery across a broad range of autonomous experimental fields.

چکیده به فارسی (ترجمه ماشینی)

تکنیک های میکروسکوپی نقش مهمی در علم مواد ، زیست شناسی و فناوری نانو بازی کرده اند و تصویربرداری با وضوح بالا و بینش مفصلی در مورد خواص در سطح نانو و اتمی ارائه می دهند.اتوماسیون آزمایش های میکروسکوپی ، در ترکیب با رویکردهای یادگیری ماشین ، یک پیشرفت تحول آمیز است و باعث افزایش کارایی ، تکرارپذیری و توانایی انجام آزمایش های پیچیده می شود.کار قبلی ما در مورد آزمایش های خودمختار با میکروسکوپ پروب اسکن (SPM) یک چارچوب یادگیری فعال را با استفاده از یادگیری هسته عمیق (DKL) برای کشف روابط-ساختار و ساختار نشان داد.این رویکرد برنامه های گسترده ای را در تکنیک های مختلف میکروسکوپ نشان داده است.در اینجا ، برای پرداختن به محدودیت های گردش کار بر اساس DKL ، ما روش هایی را برای ترکیب دانش قبلی و علاقه انسان در گردش کار مبتنی بر DKL ایجاد کردیم و این گردش کار را در SPM پیاده سازی کردیم.با ادغام پاداش های مورد انتظار از کتابخانه های ساختار یا ویژگی های طیف سنجی ، ما کارایی اکتشاف میکروسکوپ خودمختار را افزایش داده و اکتشافات کارآمدتر و هدفمند تری را در میکروسکوپ خودمختار نشان می دهیم.ما کاربرد این روشها را در SPM نشان دادیم ، اما پیشنهاد می کنیم که این روشها می توانند یکپارچه در سایر تکنیک های میکروسکوپ و تصویربرداری اعمال شوند.علاوه بر این ، این مفهوم را می توان برای بهینه سازی عمومی بیزی در کشف مواد در طیف گسترده ای از زمینه های آزمایشی خودمختار سازگار کرد.