El aprendizaje automático revela componentes ocultos de

Ciencias

Pulsos ultrarrápidos de láseres de rayos X revelan cómo se mueven los átomos en escalas de tiempo de femtosegundos. Eso es una millonésima de segundo. Sin embargo, medir las propiedades de las legumbres en sí es un desafío. Al determinar la fuerza máxima del pulso, o «amplitud», es directo y, a menudo, el momento en que el pulso alcanza su máximo o «fase» está oculto. Un nuevo estudio entrena redes neuronales para analizar impulsos y revelar estos subcomponentes ocultos. Los físicos también llaman a estos subcomponentes «reales» e «imaginarios». Comenzando con mediciones de baja resolución, las redes neuronales revelan detalles más finos con cada pulso y pueden analizar pulsos millones de veces más rápido que los métodos anteriores.

La influencia

El nuevo método de análisis es hasta tres veces más preciso y millones de veces más rápido que los métodos existentes. Conocer los componentes de cada pulso de rayos X conduce a datos mejores y más claros. Esto ampliará la gama de ciencia posible con láseres de rayos X ultrarrápidos, incluida la investigación básica en química, física y ciencia de los materiales, y aplicaciones en áreas como Estadísticas Cuantitativas. Por ejemplo, la información de pulso adicional podría permitir experimentos de resolución de tiempo más simples y de mayor resolución, revelar nuevas áreas en física y abrir la puerta a nuevas investigaciones en mecánica cuántica. El enfoque de red neuronal utilizado aquí podría tener amplias aplicaciones en la ciencia de rayos X y aceleradores, incluido el aprendizaje de la forma de las proteínas o las propiedades del haz de electrones.

Resumen

Las caracterizaciones de la dinámica del sistema son aplicaciones importantes de los láseres de electrones libres de rayos X (XFEL), pero medir las propiedades en el dominio del tiempo de los pulsos de rayos X utilizados en esos experimentos es un desafío de larga data. El diagnóstico de las características de cada pulso XFEL individual podría permitir una nueva clase de experimentos dinámicos más simples y posiblemente de mayor resolución. Esta investigación, realizada por científicos del Laboratorio Nacional de Aceleradores SLAC y Deutsches Elektronen-Synchrotron, es un paso hacia ese objetivo. El nuevo enfoque entrena redes neuronales, una forma de aprendizaje automático, para integrar medidas de baja resolución tanto en el dominio del tiempo como en el de la frecuencia y recuperar las propiedades de los pulsos de rayos X con gran precisión. Esta arquitectura de red neuronal basada en modelos ‘informados por la física’ se puede entrenar directamente en datos experimentales sin etiquetar y es lo suficientemente rápida para el análisis en tiempo real en XFEL Megahertz de nueva generación. Fundamentalmente, el método también recupera la fase, abriendo la puerta a experimentos de control coherentes con XFEL, dando forma al complejo movimiento de electrones en moléculas y sistemas de materia condensada.

Finanzas

El apoyo principal para esta investigación fue proporcionado por el Departamento de Energía (DOE), Oficina de Ciencias, División de Instalaciones para Usuarios de Ciencias de Ciencias Energéticas Básicas, con apoyo secundario del Departamento de Ciencias Energéticas Básicas, Ciencias Químicas, Ciencias de la Tierra y Ciencias Biológicas. Utilice la búsqueda de recursos en Linac fuente de luz coherenteuna instalación para usuarios de la Oficina de Ciencias del DOE operada por el Laboratorio Nacional de Aceleradores SLAC.