DOI: https://doi.org/10.1038/s41524-026-02103-z
تاريخ النشر: 2026-06-10
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تقنيات المجهر الإلكتروني المتقدم وتطبيقاتها
نظرة عامة
لقد عززت التطورات الأخيرة في نماذج اللغة الكبيرة (LLMs) بشكل كبير القدرات والإنتاجية في المجالات التي تتطلب التفكير النقدي والكتابة. يقدم هذا البحث بروتوكول سياق النموذج (MCP)، الذي يوسع وظائف LLM لتشمل مهام معينة ومعدات علمية من خلال أدوات وموارد مختارة. يقدم المؤلفون إطار عمل TEM Agent، المصمم خصيصًا لميكروسكوب الإلكترون الناقل (TEM)، والذي يستخدم نهج MCP لتسهيل التحكم والوصول إلى أنظمة TEM الفرعية المتعددة، ومنصة إدارة البيانات، وموارد الحوسبة عالية الأداء عبر أوامر نصية.
يثبت TEM Agent فعاليته في تنفيذ سير العمل المعقدة باستخدام مجموعة مبسطة من أدوات وموارد MCP، كل ذلك أثناء الاستفادة من LLM تجاري دون الحاجة إلى تدريب إضافي. يبسط هذا الإطار تفاعل المستخدم مع أنظمة الميكروسكوب المعقدة، والتي غالبًا ما تشمل أنظمة متنوعة من بائعين وأنظمة مخصصة، مما يعزز القدرة على إجراء تجارب الميكروسكوب عبر مستويات مختلفة من التعقيد.
مقدمة
تسلط المقدمة الضوء على الاعتراف المتزايد بدمج الأساليب الحسابية المتقدمة مع التقنيات التجريبية عبر مجالات علمية متنوعة، لا سيما في علم المواد. الابتكارات مثل التعلم الآلي لتوقع خصائص المواد، والأتمتة الروبوتية للتخليق عالي الإنتاجية، والخوارزميات المتقدمة لمعالجة مجموعات البيانات المعقدة تحول سير العمل التجريبية التقليدية. يُظهر الميكروسكوب الإلكتروني الناقل (STEM) هذا التحول، حيث يقدم رؤى على النانو ولكن يواجه تحديات مثل تلف شعاع الإلكترون وعيوب الإسقاط. لقد عززت التطورات الأخيرة، بما في ذلك اكتساب البيانات من زوايا متعددة وتقنيات 4D-STEM، قدرات الميكروسكوب الإلكتروني، مما يسمح بجمع وتحليل بيانات أغنى.
يقدم البحث TEM Agent، وهو إطار عمل يستخدم نماذج اللغة الكبيرة (LLMs) لأتمتة وتحسين جمع بيانات الميكروسكوب الإلكتروني دون الحاجة إلى تدريب تعلم آلي محدد بالمجال. من خلال ربط LLM تجاري مع خوادم مخصصة متنوعة، يبسط TEM Agent المهام التجريبية المعقدة، ويقلل من الأخطاء البشرية، ويسهل تحسين المعلمات في الوقت الفعلي. تعزز قدرة الإطار على الوصول إلى بيانات تجريبية تاريخية وظيفته، مما يجعله أداة قيمة للباحثين بمستويات خبرة متنوعة. يقدم المؤلفون كود مفتوح المصدر لتعزيز الوصول وتشجيع اعتماد أوسع لنماذج اللغة الكبيرة في تقنيات التوصيف التجريبية.
طرق
توضح قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من التقنيات الكمية والنوعية لجمع البيانات، مما يضمن تحليلًا شاملاً للظواهر قيد التحقيق. تضمنت المنهجيات المحددة تجارب محكومة، ونمذجة إحصائية، ومحاكاة، تم تصميمها لاختبار الفرضيات التي تم وضعها في بداية البحث.
شمل جمع البيانات عملية أخذ عينات منهجية، حيث تم قياس المتغيرات بدقة وتسجيلها للحفاظ على الدقة والموثوقية. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، مما سمح بتطبيق اختبارات متنوعة لتحديد دلالة النتائج. كما يتناول القسم معايير اختيار المشاركين والاعتبارات الأخلاقية التي تم الالتزام بها طوال الدراسة، مما يضمن أن البحث يفي بالمعايير المعتمدة للنزاهة والشفافية.
مناقشة
يعزز إطار عمل TEM Agent الذي تم تطويره في هذه الدراسة تشغيل ميكروسكوبات الإلكترون الناقل (TEM) من خلال دمج نموذج عميل/خادم مع معلمات تشغيل الميكروسكوب منخفضة المستوى. يسمح هذا الإعداد لنموذج اللغة الكبير (LLM) بالتفاعل مع الميكروسكوب باستخدام اللغة الطبيعية، مما يسهل المهام مثل استعلام الإعدادات الحالية، وضبط المعلمات، وتنفيذ سير العمل المعقدة مثل التصوير الطبقي. يمكن لـ LLM تفسير وتلخيص حالات الميكروسكوب، وتنفيذ الإجراءات المحددة مسبقًا، وأتمتة العمليات المملة، مما يقلل بشكل كبير من الحاجة إلى تدريب المستخدم والمعرفة المحددة بالمجال. كما يتضمن الإطار بيانات وصفية تاريخية من منصات بيانات متنوعة، مما يمكّن LLM من تقديم معلومات ذات صلة سياقية تُعلم الإعدادات التجريبية الحالية.
تسمح تنفيذ خوادم MCP بالتكامل السلس لمصادر البيانات المتباينة، مما يعزز قدرة LLM على الوصول إلى البيانات التجريبية السابقة واستخدامها لتحسين سير العمل الحالية. تعتبر هذه القدرة مفيدة بشكل خاص للمهام المعقدة مثل التصوير الإلكتروني المتكرر والتصوير المتوازي، حيث تكون التعديلات الدقيقة للمعلمات حرجة. بينما يظهر الإطار إمكانات كبيرة لتحسين تجربة المستخدم وجودة البيانات، فإنه يبرز أيضًا القيود، مثل الطبيعة غير الحتمية للاقتراحات المتعلقة بسير العمل من LLM وغياب قدرات معالجة الصور. يمكن أن تركز التطورات المستقبلية على تعزيز فهم LLM للميكروسكوب من خلال تدريب مستهدف وتوسيع قابلية تطبيق الإطار على أدوات علمية أخرى ذات احتياجات أتمتة مماثلة. بشكل عام، يمثل إطار عمل TEM Agent خطوة واعدة نحو عمليات ميكروسكوب أكثر سهولة وكفاءة، مما يسد الفجوة في الخبرة للمستخدمين في بيئة البحث.
DOI: https://doi.org/10.1038/s41524-026-02103-z
Publication Date: 2026-06-10
Author(s): Zhenyun Du et al.
Primary Topic: Advanced Electron Microscopy Techniques and Applications
Overview
The recent advancements in large language models (LLMs) have significantly enhanced capabilities and productivity in fields requiring critical thinking and writing. This paper introduces the model context protocol (MCP), which extends LLM functionalities to specific tasks and scientific equipment through curated tools and resources. The authors present the TEM Agent framework, specifically designed for transmission electron microscopy (TEM), which utilizes the MCP approach to facilitate the control and access of multiple TEM subsystems, a data management platform, and high-performance computing resources via text-based commands.
The TEM Agent demonstrates its efficacy in executing complex workflows using a streamlined set of MCP tools and resources, all while leveraging a commercial LLM without necessitating additional training. This framework simplifies user interaction with intricate microscope ecosystems, which often include various vendor and custom systems, thereby enhancing the ability to conduct microscopy experiments across varying levels of complexity.
Introduction
The introduction highlights the growing recognition of integrating advanced computational methods with experimental techniques across various scientific fields, particularly in materials science. Innovations such as machine learning for predicting material properties, robotic automation for high-throughput synthesis, and advanced algorithms for processing complex datasets are transforming traditional experimental workflows. Scanning transmission electron microscopy (STEM) exemplifies this shift, offering insights at the nanoscale but facing challenges like electron beam damage and projection artifacts. Recent advancements, including multi-angle data acquisition and 4D-STEM techniques, have enhanced the capabilities of electron microscopy, allowing for richer data collection and analysis.
The paper introduces TEM Agent, a framework utilizing large language models (LLMs) to automate and optimize electron microscopy data collection without requiring domain-specific machine learning training. By connecting a commercial LLM to various custom servers, TEM Agent streamlines complex experimental tasks, reduces human error, and facilitates real-time parameter optimization. The framework’s ability to access historical experimental data enhances its functionality, making it a valuable tool for researchers with varying expertise. The authors provide open-source code to promote accessibility and encourage broader adoption of LLMs in experimental characterization techniques.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. The researchers utilized a combination of quantitative and qualitative techniques to gather data, ensuring a comprehensive analysis of the phenomena under investigation. Specific methodologies included controlled experiments, statistical modeling, and simulations, which were designed to test the hypotheses formulated at the outset of the research.
Data collection involved a systematic sampling process, where variables were carefully measured and recorded to maintain accuracy and reliability. The analysis was conducted using advanced statistical software, allowing for the application of various tests to determine the significance of the findings. The section also details the criteria for participant selection and the ethical considerations adhered to throughout the study, ensuring that the research met established standards for integrity and transparency.
Discussion
The TEM Agent framework developed in this study enhances the operation of transmission electron microscopes (TEM) by integrating a client/server model with low-level microscope control parameters and operations. This setup allows a large language model (LLM) to interact with the microscope using natural language, facilitating tasks such as querying current settings, adjusting parameters, and executing complex workflows like tomography. The LLM can interpret and summarize microscope states, execute predefined actions, and automate tedious processes, significantly reducing the need for user training and domain-specific knowledge. The framework also incorporates historical metadata from various data platforms, enabling the LLM to provide contextually relevant information that informs current experimental setups.
The implementation of the MCP servers allows for seamless integration of disparate data sources, enhancing the LLM’s ability to access and utilize past experimental data for optimizing current workflows. This capability is particularly beneficial for complex tasks such as iterative electron ptychography and parallax imaging, where precise parameter adjustments are critical. While the framework demonstrates significant potential for improving user experience and data quality, it also highlights limitations, such as the non-deterministic nature of the LLM’s workflow suggestions and the absence of image processing capabilities. Future developments could focus on enhancing the LLM’s understanding of microscopy through targeted training and expanding the framework’s applicability to other scientific instruments with similar automation needs. Overall, the TEM Agent framework represents a promising step toward more accessible and efficient microscopy operations, bridging the expertise gap for users in a research facility setting.