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

• arxiv url: http://arxiv.org/abs/2601.18972v1
• Date: Mon, 26 Jan 2026 21:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.073958
• Title: Towards Self-Optimizing Electron Microscope: Robust Tuning of Aberration Coefficients via Physics-Aware Multi-Objective Bayesian Optimization
• Title（参考訳）: 自己最適化電子顕微鏡に向けて:物理を考慮した多目的ベイズ最適化による収差係数のロバストチューニング
• Authors: Utkarsh Pratiush, Austin Houston, Richard Liu, Gerd Duscher, Sergei Kalinin,
• Abstract要約: 高速でデータ効率の良い収差補正のための多目的ベイズ最適化(MOBO)フレームワークを提案する。 このフレームワークは、画像品質の単一の概念を規定せず、代わりに、ユーザーが定義し、物理的に動機づけられた報酬の定式化を可能にする。 このアクティブな学習ループは、従来の最適化アルゴリズムよりも堅牢であることを示す。
• 参考スコア（独自算出の注目度）: 3.0758757560741814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Realizing high-throughput aberration-corrected Scanning Transmission Electron Microscopy (STEM) exploration of atomic structures requires rapid tuning of multipole probe correctors while compensating for the inevitable drift of the optical column. While automated alignment routines exist, conventional approaches rely on serial, gradient-free searches (e.g., Nelder-Mead) that are sample-inefficient and struggle to correct multiple interacting parameters simultaneously. Conversely, emerging deep learning methods offer speed but often lack the flexibility to adapt to varying sample conditions without extensive retraining. Here, we introduce a Multi-Objective Bayesian Optimization (MOBO) framework for rapid, data-efficient aberration correction. Importantly, this framework does not prescribe a single notion of image quality; instead, it enables user-defined, physically motivated reward formulations (e.g., symmetry-induced objectives) and uses Pareto fronts to expose the resulting trade-offs between competing experimental priorities. By using Gaussian Process regression to model the aberration landscape probabilistically, our workflow actively selects the most informative lens settings to evaluate next, rather than performing an exhaustive blind search. We demonstrate that this active learning loop is more robust than traditional optimization algorithms and effectively tunes focus, astigmatism, and higher-order aberrations. By balancing competing objectives, this approach enables "self-optimizing" microscopy by dynamically sustaining optimal performance during experiments.
• Abstract（参考訳）: 高スループット収差補正走査透過電子顕微鏡(STEM)による原子構造探査を実現するには、光柱の避けられないドリフトを補償しながら、多極プローブ補正器の迅速なチューニングが必要である。 自動アライメントルーチンは存在するが、従来のアプローチは、サンプル非効率で複数の相互作用パラメータを同時に修正するのに苦労するシリアルで勾配のない検索(例えば、Nelder-Mead)に依存している。 逆に、新しいディープラーニング手法はスピードを提供するが、広範囲な再訓練なしに様々なサンプル条件に適応する柔軟性に欠けることが多い。 本稿では,高速でデータ効率のよい収差補正のための多目的ベイズ最適化(MOBO)フレームワークを提案する。 重要なことに、このフレームワークは画像品質の単一の概念を規定していない。代わりに、ユーザーが定義し、物理的に動機づけられた報酬の定式化(例えば、対称性によって誘導される目的)を可能にし、パレートフロントを使用して、競合する実験的優先順位の間のトレードオフを露呈する。 ガウス過程の回帰を用いて収差ランドスケープを確率的にモデル化することにより、我々のワークフローは、徹底的なブラインドサーチを行うのではなく、次に評価する最も情報性の高いレンズ設定を積極的に選択する。 我々は,このアクティブ学習ループが従来の最適化アルゴリズムよりも堅牢であることを示し,フォーカス,アシグマリズム,高次収差を効果的に調整する。 競合する目的のバランスをとることで、実験中に最適なパフォーマンスを動的に維持することで、"自己最適化"な顕微鏡を可能にする。

関連論文リスト

• Direct Regret Optimization in Bayesian Optimization [10.705151736050967]
  本稿では,最適モデルと非明視的獲得を共同で学習する,新たな直訳最適化手法を提案する。 提案手法はBOベースラインを一貫して上回り,より単純な後悔を減らし,より堅牢な探索を示す。
  論文  参考訳（メタデータ） (2025-07-09T04:09:58Z)
• The Power of the Pareto Front: Balancing Uncertain Rewards for Adaptive Experimentation in scanning probe microscopy [3.828556515394516]
  我々はMOBOが走査型プローブ顕微鏡(SPM)イメージングパラメーターを最適化し、測定品質と効率を向上できることを示す。 MOBOはヒューマン・イン・ザ・ループによる意思決定のための自然なフレームワークを提供しており、研究者はドメインの専門知識に基づいて実験的なトレードオフを微調整できる。
  論文  参考訳（メタデータ） (2025-04-09T01:59:31Z)
• Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
  正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。 本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-29T14:41:44Z)
• Accelerating Bayesian Optimization for Biological Sequence Design with Denoising Autoencoders [28.550684606186884]
  我々は,識別可能なマルチタスクガウスプロセスヘッドを用いて,デノナイズドオートエンコーダを共同で訓練する手法を開発した。 我々はZINCデータセットに基づく小分子上でLaMBOを評価し,蛍光タンパク質をターゲットとした新しい大規模分子タスクを導入する。
  論文  参考訳（メタデータ） (2022-03-23T21:58:45Z)
• SnAKe: Bayesian Optimization with Pathwise Exploration [9.807656882149319]
  本稿では,イテレーション間の大きな入力変更を行う場合,関数評価のコストが大幅に増大する,という新しい設定について考察する。 本稿では,この問題を考察し,適応接続サンプルを用いた逐次ベイズ最適化(SnAKe)を導入する。 将来のクエリを考慮し、入力コストを最小限に抑える最適化パスをプリエンプティブに構築することで、ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-01-31T19:42:56Z)
• Constrained multi-objective optimization of process design parameters in settings with scarce data: an application to adhesive bonding [48.7576911714538]
  接着プロセスに最適なプロセスパラメータを見つけることは困難である。 遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。 本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
  論文  参考訳（メタデータ） (2021-12-16T10:14:39Z)
• Universal and Flexible Optical Aberration Correction Using Deep-Prior Based Deconvolution [51.274657266928315]
  そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。 具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
  論文  参考訳（メタデータ） (2021-04-07T12:00:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。