Kemiska reaktioner kan undersökas ännu mer detaljerat med en metod som uppfanns av kejserliga forskare som bättre karakteriserar ultrasnabba röntgenstrålar.

Röntgenstrålar kan användas för att undersöka strukturerna hos, och reaktioner mellan, molekyler på mycket små skalor och med hög hastighet. Att göra detta, forskare använder fria elektronlasrar (FEL) för att skapa ett tåg av röntgenpulser.

Detta gör det möjligt för forskare att undersöka några av de grundläggande processerna inom kemi och biologi - såsom fotosyntesens mekanismer och aminosyrornas reaktioner, som är livets byggstenar.

Dock, FEL är i sig instabila, vilket innebär att egenskaperna hos de resulterande röntgenstrålarna kan variera från en puls till den andra. Detta kan leda till felaktigheter i de mätningar som görs med hjälp av dessa röntgenstrålar.

Det finns metoder för att mäta de verkliga egenskaperna hos producerade röntgenstrålar, men de kan störa experimentet, och många kommer inte att kunna hänga med i de mycket snabba pulsfrekvenserna för nästa generations röntgen-FEL, t.ex. den europeiska XFEL i Hamburg (håller på att testas) och Linac Coherent Light Source II (LCLS-II) i USA.

Nu, ett forskargrupp som leds av fysiker vid Imperial College London har använt en artificiell intelligensteknik som kallas maskininlärning för att exakt förutse egenskaperna hos röntgenstrålar. Dessa förutsägelser är baserade på vissa mätningar av FEL, som kan utföras tillräckligt snabbt för att matcha röntgenens hastighet.

Tusen gånger mer data

Resultaten av studien, med 18 forskningsinstitutioner från Storbritannien, Tyskland, Sverige, USA och Japan, publiceras idag i Naturkommunikation .

Huvudförfattare till den nya studien Alvaro Sanchez-Gonzalez från Institutionen för fysik vid Imperial sa:"För aktuella instrument, som genererar cirka hundra pulser per sekund, den långsamma karaktären av röntgenkarakterisering innebär att ibland upp till hälften av data är oanvändbara.

"Detta problem kommer bara att förvärras i nästa generations instrument, t.ex. den europeiska XFEL eller LCLS-II, utformad för att generera hundratusentals pulser per sekund.

"Vår metod löser problemet effektivt, och bör arbeta med de nya instrumenten såväl som de äldre som vi testade den på. Detta gör att användbar data kan samlas upp till tusen gånger snabbare. "

Teknikens hastighet innebär att kemiska reaktioner kan utforskas mer detaljerat, eftersom förändringar i molekylerna kunde observeras på kortare tidsskalor, ner till enda femtosekunder (en kvadriljondel av en sekund).

Ledande forskare professor Jon Marangos från Institutionen för fysik vid Imperial sa:"Dessa snabbbrandsexperiment gör att vi kan observera interaktioner som vanligtvis händer för snabbt för att vi ska fånga.

"De kommer också att tillåta forskare att bygga upp" molekylära filmer "av denna ultrasnabba process, till exempel för att se hur atomer och till och med de snabbare elektronerna rör sig under en kemisk reaktion "

Förutsäger röntgenegenskaper

Forskarna visste att det fanns hundratals variabler i FEL som potentiellt kan användas för att förutsäga röntgenegenskaperna, men det skulle ta lång tid att manuellt kontrollera var och en av dessa. Så laget - som inkluderade sista året MSci -studenter Paul Micaelli och Charles Olivier på Imperial - skapade ett maskininlärningsprogram för att göra jobbet åt dem.

Maskininlärning innefattar programvara som är utformad för att trolla stora datamängder för mönster, bygga modeller, och sedan testa förutsägelser baserat på dessa modeller, förbättras allt eftersom. De använde data från SLAC National Accelerator Laboratory vid Stanford University, USA, att träna några av dessa modeller för att automatiskt hitta viktiga variabler och korrelationer som kan användas för att förutsäga röntgenegenskaperna med hög noggrannhet.

Teamet hoppas att deras metod kan installeras direkt i röntgen-FEL-instrument, tillåta forskare runt om i världen som har tillgång till dem att dra nytta av den större datapoolen utan att själva använda programmet separat.