Quality-Controlled Active Learning via Gaussian Processes for Robust Structure-Property Learning in Autonomous Microscopy
ガウス過程を用いた品質管理型アクティブラーニングによる自律顕微鏡におけるロバストな構造-特性学習
Summary
自律実験システムにおける低品質・ノイズの多いデータ問題を解決するため、本研究はガウス過程を用いた品質管理型アクティブラーニングフレームワークを提案する。これは、好奇心駆動型サンプリングと物理学に基づいた品質管理フィルター（単純調和振動子モデル）を組み合わせることで、データ取得時に低品質な測定値を自動的に除外する。PbTiO3薄膜のデータセットでの評価では、既存のアクティブラーニング手法を上回り、Im2SpecおよびSpec2Imタスクの信頼性を向上させた。さらに、BiFeO3薄膜を用いたリアルタイム実験でもその有効性が実証され、自律型ラボにおけるハイブリッド自律性の実現に貢献する。
Technical Impact
本研究は、自律実験システム、特に材料科学における構造-特性学習（Image-to-Spectrum, Spectrum-to-Image）において、ノイズの多いデータがアクティブラーニングの性能を阻害するという根本的な課題を解決する。提案された「品質管理型アクティブラーニングフレームワーク」は、好奇心駆動型サンプリングと物理学に基づいた品質管理フィルター（単純調和振動子モデル）を組み合わせることで、データ取得段階で低品質な測定値を自動的に排除する。これにより、従来のシステムがノイズを不確実性と誤解して不良サンプルを取得してしまう問題を克服し、学習のロバスト性と信頼性を大幅に向上させる。開発スタックにおいては、アクティブラーニングパイプラインにリアルタイムのデータ品質評価モジュールを統合する必要が生じる。これは、物理モデルの組み込み（例：SciPyなどのライブラリを用いたモデルフィッティング）と、ガウス過程などの機械学習モデル（scikit-learn, PyTorch, TensorFlowなど）を連携させる形で実装されるだろう。自律型ラボやAI駆動型実験システムを構築する際、このフレームワークはデータ効率と発見の信頼性を高めるための重要なアーキテクチャパターンとなる。