Neues Active-Learning-Framework verbessert autonome Mikroskopie

Autonome Experimentierplattformen beschleunigen die Materialforschung, doch ihre Leistung wird häufig durch raue, verrauschte Daten eingeschränkt. Ein neu entwickeltes, geschaltetes Active‑Learning‑System kombiniert neugiergetriebene Stichprobenwahl mit einem physikbasierten Qualitätsfilter, der auf Anpassungen des einfachen harmonischen Oszillators basiert. Dadurch werden automatisch Daten mit niedriger Genauigkeit während der Datenerfassung ausgeschlossen.

Tests mit einem vorab gesammelten Datensatz von Band‑Excitation‑Piezoresponse‑Spektren (BEPS) aus PbTiO3‑Schichten, der gezielt lokalisierte Rauschstellen enthielt, zeigen, dass das neue Verfahren gegenüber zufälliger Stichprobenwahl, herkömmlichem Active Learning und Multitask‑Lernstrategien deutlich besser abschneidet. Sowohl die Bild‑zu‑Spektrum‑ (Im2Spec) als auch die Spektrum‑zu‑Bild‑Übersetzungen (Spec2Im) profitieren von einer robusteren Handhabung von Rauschen während Training und Datenerfassung, was zu zuverlässigeren Vorhersagen führt.

Im Gegensatz dazu neigen Standard‑Active‑Learner häufig dazu, Rauschen als Unsicherheit zu interpretieren und dadurch schlechte Proben zu sammeln, die die Gesamtleistung verschlechtern. Das geschaltete System demonstriert seine Wirksamkeit auch in Echtzeit‑Experimenten an BiFeO3‑Schichten, was die praktische Anwendbarkeit in autonomen Mikroskopen unterstreicht.

Diese Fortschritte fördern einen Übergang zu hybriden autonomen Laboren, in denen intelligente Datenqualitätskontrolle und gezielte Lernstrategien Hand in Hand gehen, um die Zuverlässigkeit und Effizienz selbstfahrender Labore zu erhöhen.