En röntgenpuls (vit linje) är byggd av "riktiga" och "imaginära" komponenter (röda och blå streck) som bestämmer kvanteffekter. Ett neuralt nätverk analyserar lågupplösta mätningar (svart skugga) för att avslöja den högupplösta pulsen och dess komponenter. Kredit:SLAC National Accelerator Laboratory
Ultrasnabba pulser från röntgenlasrar avslöjar hur atomer rör sig vid tidsskalor på en femtosekund. Det är en kvadrilliondels sekund. Att mäta egenskaperna hos själva pulserna är dock utmanande. Även om det är enkelt att bestämma en pulss maximala styrka, eller 'amplitud', döljs ofta den tidpunkt då pulsen når maximum, eller 'fas'. En ny studie tränar neurala nätverk för att analysera pulsen för att avslöja dessa dolda delkomponenter. Fysiker kallar också dessa delkomponenter "verkliga" och "imaginära". Med utgångspunkt från lågupplösta mätningar avslöjar de neurala nätverken finare detaljer med varje puls, och de kan analysera pulser miljontals gånger snabbare än tidigare metoder.
Den nya analysmetoden är upp till tre gånger mer exakt och miljontals gånger snabbare än befintliga metoder. Att känna till komponenterna i varje röntgenpuls leder till bättre, skarpare data. Detta kommer att utöka den möjliga vetenskapen med hjälp av ultrasnabba röntgenlasrar, inklusive grundläggande forskning inom kemi, fysik och materialvetenskap och tillämpningar inom områden som kvantberäkning. Till exempel kan den extra pulsinformationen möjliggöra enklare och högre upplösning tidsupplösta experiment, avslöja nya områden inom fysiken och öppna dörren för nya undersökningar av kvantmekanik. Den neurala nätverksansats som används här kan också ha breda tillämpningar inom röntgen- och acceleratorvetenskap, inklusive att lära sig formen på proteiner eller egenskaperna hos en elektronstråle.
Karakteriseringar av systemdynamik är viktiga tillämpningar för röntgenfrielektronlasrar (XFEL), men att mäta tidsdomänegenskaperna för röntgenpulserna som används i dessa experiment är en långvarig utmaning. Att diagnostisera egenskaperna för varje enskild XFEL-puls kan möjliggöra en ny klass av enklare och potentiellt högre upplösningsdynamikexperiment. Denna forskning av forskare från SLAC National Accelerator Laboratory och Deutsches Elektronen-Synchrotron är ett steg mot det målet. Det nya tillvägagångssättet tränar neurala nätverk, en form av maskininlärning, för att kombinera lågupplösta mätningar i både tids- och frekvensdomäner och återställa egenskaperna hos röntgenpulser med hög upplösning. Den modellbaserade "fysikinformerade" neurala nätverksarkitekturen kan tränas direkt på omärkta experimentella data och är tillräckligt snabb för realtidsanalys på den nya generationen megahertz XFEL. Kritiskt är att metoden också återställer fasen, öppnar dörren till koherent-kontrollexperiment med XFELs, formar den komplicerade rörelsen av elektroner i molekyler och kondenserad materia system.
Forskningen publicerades i Optics Express . + Utforska vidare
