목표 공간 탐색을 위한 딥 커널 기반 BEACON 프레임워크

본 논문은 자동 전자 현미경 및 스캔 프로브 현미경에서 “목표 공간”(연속적으로 획득되는 스펙트럼·기능 응답) 탐색을 위한 새로운 프레임워크를 제시한다. 서론에서는 현대 자동 현미경이 이미지 기반 최적화에 머무르는 한계와, 실제 재료 과학에서 중요한 정보가 구조와 직접 연결된 스펙트럼·전기·광학 응답에 존재한다는 점을 강조한다. 이러한 배경 하에, 저자들은 (1) 딥 커널 학습(Deep Kernel Learning, DKL) 기반의 서프라이즈 모델과 (2) BEACON(Bayesian Evolutionary Analysis for Cosmological Observation Networks) 획득 함수를 결합한 “BEACON‑DKL” 알고리즘을 설계하였다. DKL 부분은 CNN 기반 특성 추출기와 가우시안 프로세스(GP)를 결합한다. 이미지 패치(예: HAADF‑STEM 서브이미지)를 CNN으로 저차원 잠재 벡터로 압축하고, 이 벡터를 GP 커널에 입력해 구조‑응답 관계를 비선형적으로 모델링한다. 학습은 마진 로그우도 최대화를 통해 CNN 파라미터와 GP 하이퍼파라미터를 동시에 최적화한다. 이는 기존에 구조와 스펙트럼을 별도로 처리하던 파이프라인보다 데이터 효율성을 크게 향상시킨다. BEACON 획득 함수는 전통적인 베이시안 최적화가 구조 공간에서의 불확실성(탐색)과 평균값(활용) 사이의 트레이드오프에 의존하는 문제를 해결한다. 여기서는 현재까지 측정된 데이터 중 물리적으로 의미 있는 상위 p %를 “엘리트 집합”으로 정의하고, 후보 위치의 스칼라값을 토마스 샘플링(Thompson Sampling)으로 추출한다. 이후 k‑최근접 이웃 거리(ℓ‑NN)를 엘리트 집합과 비교해 ‘신규성 점수’를 산출한다. 이 점수가 클수록 해당 위치는 기존 엘리트 클러스터와 통계적으로 멀리 떨어진 새로운 물리 현상을 나타낼 가능성이 높다. 따라서 탐색은 목표 공간 자체에서 이루어지며, 구조가 눈에 띄게 다르지 않더라도 스펙트럼·응답이 급변하는 “숨은” 현상을 포착한다. 알고리즘 흐름은 다음과 같다. (1) 초기 랜덤 시드 포인트로 데이터베이스를 구축하고, (2) DKL 모델을 현재 데이터에 맞춰 학습한다. (3) 엘리트 집합을 선정하고, (4) 모든 미측정 패치에 대해 토마스 샘플링을 통해 스칼라값을 추정한다. (5) ℓ‑NN 거리 기반 신규성 점수를 계산해 가장 높은 점수를 가진 좌표를 선택한다. (6) 현미경이 해당 좌표에 빔을 이동시켜 스펙트럼을 획득하고, (7) 데이터베이스를 업데이트한다. 이 과정을 측정 예산이 소진될 때까지 반복한다. 벤치마크 실험에서는 사전 수집된 EELS, PFM, HAADF‑STEM 데이터셋을 디지털 트윈으로 활용해, 무작위 샘플링, 전통 베이시안 최적화(불확실성 기반), 그리고 제안된 BEACON‑DKL을 동일 측정 횟수(예산) 하에 비교하였다. 평가 지표는 (① 목표 공간 커버리지, 엔트로피 기반), (② 신규성 발견 속도(시간당 고유 스칼라값 수)), (③ 서프라이즈 모델 정확도(RMSE)이다. 결과는 BEACON‑DKL이 초기 단계에서 빠르게 고유 스칼라값을 탐색하고, 전체 커버리지를 크게 확대함을 보여준다. 특히, 기존 방법이 놓친 희귀 결함·국소 상전이를 높은 확률로 발견하였다. 실험적 적용으로는 실제 STEM 장비에 파이프라인을 통합하였다. AutoScript TEM 클라이언트 API와 stemOrchestrator 라이브러리를 이용해 HAADF 이미지와 EDS 스펙트럼을 실시간으로 연동했으며, BEACON‑DKL이 제안하는 좌표에 빔을 이동시켜 스펙트럼을 획득하였다. 실험은 전체 루프당 1 초 이내의 연산 속도를 유지했으며, 30 % 이하의 측정 예산으로도 기존 방법이 놓친 희귀 결함과 국소 상전이를 성공적으로 탐지했다. 마지막으로, 저자들은 전체 워크플로우를 Jupyter 노트북 형태로 공개하고, Python‑GPyTorch·BoTorch 기반 구현을 제공한다. 이는 연구 재현성을 높이고, 다른 현미경 플랫폼(예: AFM, STM)이나 새로운 스펙트럼 모드에 쉽게 확장할 수 있게 설계되었다. 논문은 자동 현미경 분야에서 “발견 중심” 알고리즘을 표준화하고, 실험 장비와 데이터셋에 대한 범용 적용을 촉진할 잠재력을 강조한다.