PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.29592v1cs.LG

STEMGym: 자율 전자 현미경에서 선량 예산 하의 순차적 의사결정 벤치마킹

STEMGym: Benchmarking Sequential Decision-Making under Dose Budgets in Autonomous Electron Microscopy

자율 과학 이미징의 핵심 전제는, 베이지안 방식이든 강화학습(RL) 기반이든 아니면 다른 적응형 방식이든, 더 스마트한 탐색이 샘플 효율적인 획득을 위한 주된 수단이라는 것이다. 우리는 주사 투과 전자 현미경(STEM)에서 이와 반대되는 증거를 제시한다. STEM은 원자 해상도의 이미징 방식으로, 모든 측정이 시료에 손상을 주는 전자 선량을 누적시킨다. 우리는 STEMGym을 소개한다. 이는 다섯 가지 소재, 세 가지 난이도, 네 가지 특성 분석 태스크에 걸쳐 15개의 물리 시뮬레이션 STEM 환경으로 구성된 오픈소스 Gymnasium 벤치마크로, 정보 대 선량의 파레토 프론티어를 포착하는 단일 스칼라인 선량-효율 곡선 면적(DEC-AUC)으로 평가된다. 현실적인 선량 예산 하에서 33가지 에이전트 구성을 평가한 결과, 선량 효율의 지배적 결정 요인은 탐색기(navigator)가 아닌 분석(인식) 파이프라인이었다. 훈련된 CNN 분석기와 단순 래스터 스캐닝을 결합하면 CNN이 없는 래스터 기준선 대비 DEC-AUC가 5.5배 향상되었으며(0.287 대 0.052), 반면 베이지안 또는 적응형 유한 상태 기계 탐색으로 래스터를 대체하더라도 통계적으로 유의미한 추가 이득은 없었다. 프로덕션급 비전-언어 모델은 결정학적 결함 분석에서 태스크 특화 CNN 대비 약 13배 낮은 성능을 보였다. 통합된 선량 예산 하에서 인식, 탐색, 계획을 분리함으로써 STEMGym은 자율 전자 현미경에서 머신러닝(ML) 노력이 어디에 투자되어야 하는지를 재정립하고, 이를 검증할 측정 인프라를 제공한다.