扫描探针显微镜的贝叶斯主动学习：从高斯过程到假设学习

机器学习方法的最新进展，以及扫描探针显微镜（SPM）可编程接口的新兴可用性，已将自动化与自主显微镜推到科学界关注的前沿。然而，实现自动化显微镜需要开发特定任务的机器学习方法，理解物理发现与机器学习之间的相互作用，以及完全明确的发现工作流。这反过来又需要平衡领域科学家的物理直觉与先验知识、定义实验目标的奖励，以及能够将这些转化为具体实验方案的机器学习算法。在此，我们讨论贝叶斯主动学习的基本原理，并阐述其在SPM中的应用。我们从作为简单数据驱动方法的高斯过程，以及作为基于物理的函数拟合扩展的物理模型贝叶斯推断，推进到更复杂的深度核学习方法、结构化高斯过程和假设学习。这些框架允许使用先验数据、发现谱数据中编码的特定功能，以及探索实验过程中显现的物理规律。所讨论的框架可普遍应用于所有结合成像与光谱的技术、SPM方法、纳米压痕、电子显微镜与光谱以及化学成像方法，并且对于破坏性或不可逆测量尤其具有影响力。