可解释自主扫描探针显微镜中的实验后取证与人机协同干预
材料科学
2024-11-15 v1
摘要
基于机器学习（ML）的自动化与自主实验（AE）在物理表征与合成中的广泛采用，需要发展用于理解和干预实验工作流的策略。在此，我们引入并实现了应用于基于深度核学习的 AE 扫描探针显微镜的实验后取证分析策略。该方法产生与实验系统交互的主动学习过程进程的实时与实验后指标。我们进一步阐明此方法可扩展至人机协同自主实验，其中人类操作员以高延迟制定高层决策以设定 AE 策略，而 ML 算法执行低层快速决策。所提方法具通用性，可扩展至其他物理与化学成像技术及应用，如组合库分析。完整的取证分析笔记公开于 GitHub：https://github.com/yongtaoliu/Forensics-DKL-BEPS。
引用
@article{arxiv.2302.06577,
title = {Post-Experiment Forensics and Human-in-the-Loop Interventions in Explainable Autonomous Scanning Probe Microscopy},
author = {Yongtao Liu and Maxim Ziatdinov and Rama Vasudevan and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2302.06577},
year = {2024}
}
备注
24 pages, 8 figures