Mikroskoba derdini anlatmak: Berkeley Lab'in TEM Agent'ı atom ölçeğinde deneyi sözle yönetiyor

Bir altın nanoparçacığının üç boyutlu yapısını çıkarmak istediğinizi düşünün. Klasik yöntemde örneği birkaç derece eğersiniz, görüntü kaymış mı diye bakarsınız, odağı yeniden ayarlar, fotoğrafı çekersiniz; sonra aynı şeyi bir sonraki açı için, sonra bir sonraki için tekrarlarsınız. Kaliforniya'daki Lawrence Berkeley Ulusal Laboratuvarı'nda (Berkeley Lab) bu zahmetli diziyi artık bir cümleyle başlatmak mümkün: araştırmacı ne istediğini yazıyor, TEM Agent adı verilen yapay zekâ yardımcısı adımları kendisi sıralayıp mikroskoba uyguluyor.

Haber ilk bakışta "sohbet botu mikroskop kullanıyor" diye özetlenebilir, ama asıl hikâye başka: dünyanın en gelişmiş mikroskoplarından bazıları, onları ustalıkla kullanabilecek insan sayısından ve üretilen veriyi işleyebilecek zamandan çok daha hızlı hale geldi. Berkeley Lab'in verdiği rakam bu açığı iyi özetliyor: tesisteki hızlı dedektörlerden biri 15 saniyede yaklaşık 700 gigabayt veri üretebiliyor. TEM Agent, bu darboğazı insan ile makine arasına bir "tercüman" koyarak hafifletme denemesi.

Işık yerine elektron: geçirimli elektron mikroskobu nedir?

Sıradan bir ışık mikroskobu, görünür ışığın dalga boyu yüzünden belli bir inceliğin altını seçemez; atomlar o sınırın çok altında kalır. Geçirimli elektron mikroskobu (İngilizce kısaltmasıyla TEM) ışık yerine hızlandırılmış elektron demeti kullanır. Yüksek gerilimle hızlandırılan elektronların dalga boyu ışığınkinden kat kat kısadır; bu sayede demet, çok ince kesilmiş bir örneğin içinden geçerken atom dizilimlerini ortaya koyabilir. Görüntüyü oluşturan, örnekten "geçen" elektronlardır; adındaki "geçirimli" sözcüğü buradan gelir.

TEM Agent'ın denendiği cihaz, Berkeley Lab'in Ulusal Elektron Mikroskobu Merkezi'nde (NCEM) bulunan TEAM 0.5. Yayımlanan makaleye göre mikroskop 300 kilovoltta çalıştırıldı ve üzerinde 4D Camera adlı özel bir dedektör bulunuyor. Bu kamera saniyede 87.000 kare çekebiliyor ve saniyede 480 gigabite varan veri akışına göre tasarlanmış.

Veri neden bu kadar büyük?

Yeni nesil tekniklerde mikroskop tek bir fotoğraf çekmiyor. "4D-STEM" denen yöntemde ince bir elektron demeti örneğin üzerinde nokta nokta gezdiriliyor ve her noktada dedektör, elektronların nasıl saçıldığını gösteren tam bir desen kaydediyor. Yani iki boyutlu bir taramanın her noktasında ayrıca iki boyutlu bir görüntü var; dört boyutlu bir veri kümesi böyle doğuyor. Binlerce noktanın her biri için binlerce piksel, saniyede on binlerce kareyle çarpıldığında sabit diskler hızla doluyor.

Berkeley Lab'in 2025'teki açıklamasına göre bu sorun o kadar somuttu ki mikroskop başlangıçta disk alanı yetmediği için yalnızca 15 dakika kadar kesintisiz çalışabiliyordu. Ekip, laboratuvarın süperbilgisayar merkezi NERSC ile birlikte veriyi diske hiç yazmadan doğrudan süperbilgisayara akıtan bir yöntem geliştirdi; kuruma göre bu yol, klasik dosya aktarımından 14 kata kadar daha hızlı ve daha güvenilir. Bu akışı araştırmacıya sunan web tabanlı platformun adı Distiller. NCEM kadrolu bilim insanı Peter Ercius o dönem durumu, bir uçta dedektör, öbür uçta süperbilgisayar ve ortada basit bir web sayfası olarak tarif etmişti.

Asıl darboğaz: mikroskobu kullanabilen insan

Veri akışı çözülse bile ikinci bir engel kalıyor. Bu mikroskopları kullanmak, ders kitabı bilgisinin çok ötesinde uzun bir uygulamalı deneyim istiyor. Berkeley Lab'in Moleküler Dökümhane (Molecular Foundry) tesisi ise dışarıdan gelen pek çok araştırmacıya hizmet veren ortak bir kullanıcı tesisi. Ziyaretçi bir kimyacı ya da biyolog, mikroskobun onlarca alt sistemini tanımadan karmaşık bir deney kurmakta zorlanıyor; deneyimli operatörlerin sayısı da sınırlı.

Ekip yıllar içinde pek çok işlemi zaten otomatikleştirmişti: odak ayarı, örneği eğme, görüntü alma gibi rutinler için yazılmış programlar vardı. Sorun, bunları yeni bir deneye göre birbirine bağlamanın hâlâ kod yazmayı gerektirmesiydi.

TEM Agent ne yapıyor?

Ekip sıfırdan bir yapay zekâ eğitmedi. Bunun yerine var olan otomatik rutinleri, büyük dil modellerinin dış araçları kullanabilmesi için geliştirilmiş açık bir standart olan Model Context Protocol (MCP) biçimine soktu. Makalede kullanılan dil modeli, Anthropic şirketinin ticari modeli Claude Sonnet 4.5; araştırmacı modele dizüstü bilgisayarındaki Claude Code aracı üzerinden ulaşıyor. Model, ek bir eğitim almadan, kendisine tanıtılan araçları ve kaynakları kullanarak çalışıyor.

Sistem dört ayrı MCP sunucusuna bağlanıyor:

• mikroskobun kendisini yöneten sunucu (merceklerdeki kusurları gideren otomatik sapma düzeltmesi dahil),
• 4D Camera dedektörünü çalıştıran sunucu,
• deneylerin verisini ve üst verisini düzenli kayıtlar halinde tutan Crucible platformu,
• 4D-STEM veri kümelerini izleyen ve NERSC'te işlem başlatabilen Distiller.

Böylece araştırmacı "şu örnekten bir eğim serisi al" ya da "geçen ay benzer bir örnekte hangi ayarları kullanmıştık?" gibi bir istekte bulunabiliyor; model hangi araçların hangi sırayla çağrılacağına kendisi karar veriyor. Ercius, Berkeley Lab'in açıklamasında farkı şöyle anlatıyor: Artık ne istediğini sade bir dille tarif edebildiğini ve sistemin adımları kendisinin birbirine bağladığını, hatta özellikle programlamadıkları istekleri bile yerine getirebildiğini söylüyor.

Hangi deneylerde sınandı?

Makalede gösterilen örneklerin başında elektron tomografisi geliyor. Tıptaki bilgisayarlı tomografiye benzer biçimde, örnek farklı açılara eğilerek görüntüleniyor ve bu görüntülerden üç boyutlu bir yapı hesaplanıyor. TEM Agent, örneği 5 derecelik adımlarla eğip her açıda yeniden odaklayarak eğim serisini kendisi yürüttü. Araştırma bilimcisi Stephanie Ribet bu tür ileri teknikleri sınayan isimlerden biri.

İkinci örnek, pitikografi ailesinden, çok az elektronla görüntü almaya dayanan bir yöntem. Elektron demetine duyarlı örneklerde ışınım miktarını düşük tutmak önemli; bu tekniklerde görüntü doğrudan çekilmiyor, kaydedilen desenlerden bilgisayarda yeniden kuruluyor. Makaleye göre TEM Agent odak ayarını iyileştirerek bir altın nanoparçacığın yüksek kaliteli "paralaks" görüntüsünü elde etti. Ayrıca bilgisayar sistemleri mühendisi ve veri bilimci Morgan Wall'un geliştirdiği Crucible bağlantısı sayesinde ajan, geçmiş deneylerin ayarlarını sorgulayıp yeni deneye uygulayabildi ve toplanan veriyi etiketleyip yükleyebildi.

Berkeley Lab'e göre sistemin NERSC ve Crucible ile birleşmesi, bir deneyin sonucunu görme süresini saatlerden dakikalara indiriyor.

Güvenlik kemeri: model kod yazmıyor

Akla gelen ilk soru şu: milyonlarca dolarlık bir cihazı, zaman zaman uydurma yanıtlar verdiği bilinen bir dil modeline teslim etmek ne kadar akıllıca? Ekibin cevabı tasarımda saklı. TEM Agent mikroskobu yönetmek için kendi kodunu yazmıyor; yalnızca önceden tanımlanmış, sınırları belli araçları çağırabiliyor. Makalede, işlemlerin MCP araçlarının izin verdiğiyle sınırlı kalmasının cihaza yönelik riski azalttığı, modelin yazacağı hatalı bir kodun sistemlere ciddi zarar vermesinin bu sayede önlendiği belirtiliyor. Başka bir deyişle model, kokpitteki düğmelere değil, yalnızca kendisine verilmiş bir uzaktan kumandaya erişebiliyor.

Sınırlar: aynı soruya farklı yol, görüntüyü "okuyamama"

Yazarlar sistemin zayıf noktalarını açıkça sıralıyor. Birincisi, dil modelinin önerdiği iş akışı her seferinde aynı değil: makaleye göre aynı istek tekrarlandığında model farklı eylem dizileri önerdi. Tekrarlanabilirliğin temel değer olduğu bilimsel ölçümde bu küçük bir ayrıntı değil.

İkincisi, görüntü yorumlama. Ekip başlangıçta taramalı görüntünün tamamını dil modeline geri göndermeyi denemiş, ancak bunun birkaç soruna yol açtığını yazıyor. Yani model, mikroskobun ne gördüğünü bir uzman gibi değerlendirmiyor; daha çok, insanın tarif ettiği iş planını uygulayan bir yardımcı rolünde.

Üçüncüsü, insan denetimi. Makalenin vardığı sonuç net: şu aşamada döngüde bir insanın bulunması çerçevenin önemli bir parçası ve deneyimli bir insan operatörün yerini tutacak bir şey yok. Yazarlar ayrıca ticari dil modellerinin maliyet, erişilebilirlik, çevresel etki ve mahremiyet gibi kendi etik sorularını beraberinde getirdiğini not ediyor.

Sırada ne var?

Çalışma ilk olarak Kasım 2025'te arXiv'de ön baskı olarak paylaşıldı, ardından 2026'da npj Computational Materials dergisinde yayımlandı. MCP açık bir standart olduğu için aynı yaklaşımın başka laboratuvar cihazlarına da uygulanabileceği düşünülüyor; Moleküler Dökümhane'nin kendi değerlendirmesine göre bu tür bir çerçeve, karmaşık mikroskopiyi uzman olmayanlara açabilir ve ortak tesislerin verimini artırabilir.

Açık soru ise şu: ajanın önerdiği yol her seferinde değişirken, bir deneyin nasıl yapıldığını kayda geçirmek ve başka bir laboratuvarda aynen tekrarlamak nasıl güvence altına alınacak? Mikroskoba "derdini anlatmak" kolaylaştıkça, yapılan işin izini sürmek bilimin yeni ödevi olacak gibi görünüyor.

Fotoğraf: Alice im Miniland, CC BY-SA 4.0, Wikimedia Commons