Maskinlæring afslører skjulte komponenter i røntgenimpulser

Ultrahurtige pulser fra røntgenlasere afslører, hvordan atomer bevæger sig på et femtosekund. Det er en kvadrilliontedel af et sekund. Det er dog en udfordring at måle egenskaberne af selve pulserne. Mens det er ligetil at bestemme en pulss maksimale styrke, eller 'amplitude', er det tidspunkt, hvor pulsen når maksimum eller 'fase', ofte skjult. En ny undersøgelse træner neurale netværk til at analysere pulsen for at afsløre disse skjulte underkomponenter. Fysikere kalder også disse underkomponenter 'rigtige' og 'imaginære'. Med udgangspunkt i lavopløsningsmålinger afslører de neurale netværk finere detaljer med hver puls, og de kan analysere pulser millioner af gange hurtigere end tidligere metoder.

Den nye analysemetode er op til tre gange mere nøjagtig og millioner af gange hurtigere end eksisterende metoder. At kende komponenterne i hver røntgenimpuls fører til bedre og skarpere data. Dette vil udvide den mulige videnskab ved hjælp af ultrahurtige røntgenlasere, herunder grundlæggende forskning i kemi, fysik og materialevidenskab og applikationer inden for områder som kvantecomputere. For eksempel kunne den ekstra pulsinformation muliggøre enklere og højere opløsning tidsopløste eksperimenter, afsløre nye områder af fysikken og åbne døren til nye undersøgelser af kvantemekanik. Den neurale netværkstilgang, der bruges her, kunne også have brede anvendelser inden for røntgen- og acceleratorvidenskab, herunder at lære formen af ​​proteiner eller egenskaberne af en elektronstråle.

Karakteriseringer af systemdynamik er vigtige anvendelser for X-ray free-electron lasers (XFEL'er), men måling af tidsdomæneegenskaberne for røntgenimpulserne, der bruges i disse eksperimenter, er en langvarig udfordring. Diagnosticering af egenskaberne for hver enkelt XFEL-puls kunne muliggøre en ny klasse af enklere og potentielt højere opløsningsdynamiske eksperimenter. Denne forskning udført af forskere fra SLAC National Accelerator Laboratory og Deutsches Elektronen-Synchrotron er et skridt i retning af dette mål. Den nye tilgang træner neurale netværk, en form for maskinlæring, til at kombinere lavopløsningsmålinger i både tids- og frekvensdomæner og genskabe egenskaberne af røntgenimpulser i høj opløsning. Den modelbaserede 'fysik-informerede' neurale netværksarkitektur kan trænes direkte på umærkede eksperimentelle data og er hurtig nok til realtidsanalyse på den nye generation af megahertz XFEL'er. Kritisk er det, at metoden også genvinder fasen, åbner døren til kohærente kontroleksperimenter med XFEL'er, der former elektronernes indviklede bevægelse i molekyler og kondenseret stof-systemer.

Forskningen blev offentliggjort i Optics Express . + Udforsk yderligere

Maskinlæring baner vejen for smartere partikelacceleratorer