Elektronenmikroskop: Schnelle Aberrationskorrektur via Bayesian Optimierung
Die hochauflösende, aberrationskorrigierte Scanning Transmission Electron Microscopy (STEM) erfordert heute eine rasche Abstimmung der multipolaren Probe-Korrektoren, während gleichzeitig die unvermeidliche Drift der optischen Kolumne kompensiert wird. Traditionelle, serielle, gradientsfreie Suchverfahren wie Nelder–Mead sind zwar automatisiert, aber sehr sampleineffizient und haben Schwierigkeiten, mehrere miteinander verknüpfte Parameter gleichzeitig zu korrigieren. Tiefe Lernmethoden bieten zwar Geschwindigkeit, sind jedoch oft zu starr, um sich ohne umfangreiches Retraining an unterschiedliche Probenbedingungen anzupassen.
In dieser Arbeit wird ein Multi‑Objective Bayesian Optimization (MOBO)-Framework vorgestellt, das die schnelle und dateneffiziente Korrektur von Aberrationen ermöglicht. Das System erlaubt es, physikbasierte Belohnungsformeln – etwa symmetriegestützte Ziele – selbst zu definieren und nutzt Pareto‑Fronten, um die Kompromisse zwischen konkurrierenden experimentellen Prioritäten sichtbar zu machen. Durch die Verwendung von Gaussian‑Process‑Regressionen wird die Aberrationslandschaft probabilistisch modelliert, sodass das Verfahren gezielt die informativsten Linseneinstellungen auswählt, anstatt blind zu suchen.
Der aktive Lernzyklus zeigt sich robuster als herkömmliche Optimierungsalgorithmen und kann Fokus, Astigmatismus sowie höhere Ordnungen von Aberrationen effektiv einstellen. Durch das Ausbalancieren mehrerer Ziele entsteht ein „selbstoptimierendes“ Mikroskop, das sich dynamisch an die jeweiligen Messbedingungen anpasst und damit die Durchsatzrate in der atomaren Strukturanalyse deutlich erhöht.
Diese Methode bietet einen bedeutenden Fortschritt für die automatisierte, adaptive Elektronenmikroskopie: Sie kombiniert Geschwindigkeit, Effizienz und Flexibilität und ebnet den Weg für eine neue Generation von selbstregulierenden, hochpräzisen Bildgebungssystemen.