science >> Wetenschap >  >> Fysica

Natuurkundigen persen extra gegevens uit supersnelle röntgensondes met behulp van machine learning

Zicht op de Linac coherente lichtbron. Krediet:SLAC National Accelerator Laboratory

Chemische reacties kunnen nog gedetailleerder worden onderzocht met behulp van een methode die is uitgevonden door Imperial-onderzoekers en die ultrasnelle röntgenstralen beter karakteriseert.

Röntgenstralen kunnen worden gebruikt om de structuren van, en reacties tussen, moleculen op zeer kleine schaal en met hoge snelheid. Om dit te doen, wetenschappers gebruiken vrije elektronenlasers (FEL's) om een ​​reeks röntgenpulsen te creëren.

Dit stelt onderzoekers in staat om enkele van de fundamentele processen in de chemie en biologie te onderzoeken, zoals de mechanismen van fotosynthese en de reacties van aminozuren, die de bouwstenen van het leven zijn.

Echter, FEL's zijn inherent onstabiel, wat betekent dat de eigenschappen van de resulterende röntgenstralen kunnen variëren van de ene puls tot de andere. Dit kan leiden tot onnauwkeurigheden in de metingen die met die röntgenfoto's worden gedaan.

Er zijn methoden om de werkelijke eigenschappen van geproduceerde röntgenstralen te meten, maar ze kunnen het experiment verstoren, en velen zullen de zeer snelle pulsfrequenties van de volgende generatie X-ray FEL's niet kunnen bijhouden, zoals de Europese XFEL in Hamburg (momenteel in test) en de Linac Coherent Light Source II (LCLS-II) in de VS.

Nutsvoorzieningen, een onderzoeksteam onder leiding van natuurkundigen van het Imperial College London heeft een kunstmatige-intelligentietechniek gebruikt die bekend staat als machine learning om de eigenschappen van röntgenstralen nauwkeurig te voorspellen. Deze voorspellingen zijn gebaseerd op bepaalde metingen van de FEL, die snel genoeg kan worden uitgevoerd om de snelheid van röntgenstralen te evenaren.

Duizend keer meer gegevens

De resultaten van de studie, waarbij 18 onderzoeksinstellingen uit het VK betrokken waren, Duitsland, Zweden, de VS en Japan, worden vandaag gepubliceerd in Natuurcommunicatie .

Hoofdauteur van de nieuwe studie Alvaro Sanchez-Gonzalez van het Department of Physics van Imperial zei:"Voor huidige instrumenten, die ongeveer honderd pulsen per seconde genereren, de trage aard van röntgenkarakterisering betekent dat soms tot de helft van de gegevens onbruikbaar is.

"Dit probleem zal alleen worden verergerd in instrumenten van de volgende generatie, zoals de Europese XFEL of LCLS-II, ontworpen om honderdduizenden pulsen per seconde te genereren.

"Onze methode lost het probleem effectief op, en zou moeten werken op zowel de nieuwe instrumenten als de oudere waarop we het hebben getest. Hierdoor kunnen bruikbare gegevens tot duizend keer sneller worden verzameld."

De snelheid van de techniek betekent dat chemische reacties in meer detail kunnen worden onderzocht, omdat veranderingen in de moleculen op kortere tijdschalen konden worden waargenomen, tot enkele femtoseconden (een quadriljoenste van een seconde).

Hoofdonderzoeker professor Jon Marangos van de afdeling Natuurkunde van Imperial zei:"Deze snelle-vuren-experimenten zullen ons in staat stellen om interacties waar te nemen die gewoonlijk te snel plaatsvinden om vast te leggen.

"Ze zullen onderzoekers ook in staat stellen om 'moleculaire films' van dit ultrasnelle proces op te bouwen, bijvoorbeeld om te zien hoe atomen en zelfs de snellere elektronen bewegen tijdens een chemische reactie"

Eigenschappen van röntgenstralen voorspellen

De onderzoekers wisten dat er honderden variabelen in de FEL waren die mogelijk konden worden gebruikt om de röntgeneigenschappen te voorspellen, maar het zou veel tijd kosten om elk van deze handmatig te controleren. Dus het team - waaronder de laatstejaars MSci-studenten Paul Micaelli en Charles Olivier van Imperial - creëerde een machine learning-programma om het werk voor hen te doen.

Machine learning omvat software die is ontworpen om grote datasets te doorzoeken op patronen, modellen bouwen, en test vervolgens voorspellingen op basis van die modellen, verbeteren naarmate ze verder gaan. Ze gebruikten gegevens van het SLAC National Accelerator Laboratory van Stanford University, ONS, om sommige van deze modellen te trainen om automatisch belangrijke variabelen en correlaties te vinden die kunnen worden gebruikt om de röntgeneigenschappen met hoge nauwkeurigheid te voorspellen.

Het team hoopt dat hun methode direct kan worden geïnstalleerd in X-ray FEL-instrumenten, waardoor onderzoekers over de hele wereld die er toegang toe hebben, kunnen profiteren van de grotere datapool zonder het programma zelf apart toe te passen.