Fysikere presser ekstra data fra superhurtige røntgenprober ved hjælp af maskinlæring

Kemiske reaktioner kunne undersøges endnu mere detaljeret ved hjælp af en metode opfundet af kejserlige forskere, der bedre karakteriserer ultrahurtige røntgenstråler.

Røntgenstråler kan bruges til at undersøge strukturerne af, og reaktioner mellem, molekyler i meget lille skala og ved høj hastighed. At gøre dette, forskere bruger gratis elektronlasere (FEL'er) til at skabe et tog af røntgenpulser.

Dette gør det muligt for forskere at undersøge nogle af de grundlæggende processer inden for kemi og biologi - såsom fotosyntesemekanismerne og aminosyrernes reaktioner, som er livets byggesten.

Imidlertid, FEL'er er iboende ustabile, hvilket betyder, at egenskaberne af de resulterende røntgenstråler kan variere fra den ene puls til den næste. Dette kan føre til unøjagtigheder i de målinger, der foretages ved hjælp af disse røntgenstråler.

Der er metoder til at måle de faktiske egenskaber ved producerede røntgenstråler, men de kan forstyrre eksperimentet, og mange vil ikke være i stand til at følge med de meget hurtige pulsfrekvenser for den næste generation af røntgenfel, såsom den europæiske XFEL i Hamborg (aktuelt i test) og Linac Coherent Light Source II (LCLS-II) i USA.

Nu, et forskerhold ledet af fysikere ved Imperial College London har brugt en kunstig intelligens teknik kendt som maskinlæring til præcist at forudsige egenskaber ved røntgenstråler. Disse forudsigelser er baseret på visse målinger af FEL, som kan udføres hurtigt nok til at matche hastigheden af ​​røntgenstråler.

Tusind gange flere data

Resultaterne af undersøgelsen, involverer 18 forskningsinstitutioner fra Storbritannien, Tyskland, Sverige, USA og Japan, offentliggøres i dag i Naturkommunikation .

Hovedforfatter til det nye studie Alvaro Sanchez-Gonzalez fra Institut for Fysik på Imperial sagde:"For nuværende instrumenter, som genererer omkring hundrede impulser i sekundet, den langsomme karakter af røntgenkarakterisering betyder, at nogle gange er op til halvdelen af ​​dataene ubrugelige.

"Dette problem vil kun blive forværret i næste generations instrumenter, f.eks. den europæiske XFEL eller LCLS-II, designet til at generere hundredtusindvis af pulser i sekundet.

"Vores metode løser effektivt problemet, og skulle fungere på de nye instrumenter såvel som de ældre, vi testede det på. Dette vil gøre det muligt at indsamle nyttige data op til tusind gange hurtigere."

Teknikkens hastighed betyder, at kemiske reaktioner kunne udforskes mere detaljeret, som ændringer i molekylerne kunne observeres på kortere tidsskalaer, ned til enkelte femtosekunder (en kvadrilliondel af et sekund).

Ledende forsker professor Jon Marangos fra Institut for Fysik ved Imperial sagde:"Disse hurtige ildeksperimenter vil give os mulighed for at observere interaktioner, der normalt sker for hurtigt til, at vi kan fange dem.

"De vil også give forskere mulighed for at opbygge 'molekylære film' af denne ultrahurtige proces, for eksempel at se, hvordan atomer og endda de hurtigere elektroner bevæger sig under en kemisk reaktion "

Forudsigelse af røntgenegenskaber

Forskerne vidste, at der var hundredvis af variabler i FEL, der potentielt kunne bruges til at forudsige røntgenegenskaber, men det ville tage lang tid at kontrollere hver af disse manuelt. Så teamet - som inkluderede sidste års MSci -bachelorstuderende Paul Micaelli og Charles Olivier på Imperial - skabte et maskinlæringsprogram for at gøre arbejdet for dem.

Maskinlæring involverer software designet til at trawl store datasæt til mønstre, bygge modeller, og derefter teste forudsigelser baseret på disse modeller, forbedres efterhånden. De brugte data fra SLAC National Accelerator Laboratory ved Stanford University, OS, at træne nogle af disse modeller til automatisk at finde centrale variabler og korrelationer, der kunne bruges til at forudsige røntgenegenskaberne med høj nøjagtighed.

Teamet håber, at deres metode kunne installeres direkte i røntgen-FEL-instrumenter, giver forskere over hele verden, som har adgang til dem, mulighed for at drage fordel af den større datapulje uden selv at anvende programmet separat.