Ultrasnelle pulsen van röntgenlasers onthullen hoe atomen bewegen op tijdschalen van een femtoseconde. Dat is een quadriljoenste van een seconde. Het meten van de eigenschappen van de pulsen zelf is echter een uitdaging. Hoewel het bepalen van de maximale sterkte of 'amplitude' van een puls eenvoudig is, wordt het tijdstip waarop de puls het maximum bereikt, of 'fase', vaak verborgen. Een nieuwe studie traint neurale netwerken om de puls te analyseren om deze verborgen subcomponenten te onthullen. Natuurkundigen noemen deze subcomponenten ook wel 'reëel' en 'imaginair'. Uitgaande van metingen met een lage resolutie onthullen de neurale netwerken bij elke puls fijnere details en kunnen ze pulsen miljoenen keren sneller analyseren dan eerdere methoden.

De nieuwe analysemethode is tot drie keer nauwkeuriger en miljoenen keren sneller dan bestaande methoden. Het kennen van de componenten van elke röntgenpuls leidt tot betere, scherpere gegevens. Dit zal de wetenschap uitbreiden die mogelijk is met behulp van ultrasnelle röntgenlasers, inclusief fundamenteel onderzoek in de chemie, natuurkunde en materiaalkunde en toepassingen op gebieden zoals kwantumcomputing. De extra pulsinformatie zou bijvoorbeeld eenvoudigere experimenten met een hogere resolutie in de tijd mogelijk kunnen maken, nieuwe gebieden van de natuurkunde kunnen onthullen en de deur kunnen openen naar nieuw onderzoek naar de kwantummechanica. De neurale netwerkbenadering die hier wordt gebruikt, zou ook brede toepassingen kunnen hebben in de röntgen- en versnellerwetenschap, waaronder het leren van de vorm van eiwitten of de eigenschappen van een elektronenstraal.

Karakteriseringen van systeemdynamica zijn belangrijke toepassingen voor röntgenvrije-elektronenlasers (XFEL's), maar het meten van de tijddomeineigenschappen van de röntgenpulsen die in die experimenten worden gebruikt, is een langdurige uitdaging. Het diagnosticeren van de eigenschappen van elke individuele XFEL-puls zou een nieuwe klasse van eenvoudigere en potentieel hogere resolutie-dynamica-experimenten mogelijk maken. Dit onderzoek door wetenschappers van SLAC National Accelerator Laboratory en het Deutsches Elektronen-Synchrotron is een stap in de richting van dat doel. De nieuwe aanpak traint neurale netwerken, een vorm van machine learning, om metingen met een lage resolutie in zowel het tijd- als het frequentiedomein te combineren en de eigenschappen van röntgenpulsen met een hoge resolutie te herstellen. De modelgebaseerde 'fysica-geïnformeerde' neurale netwerkarchitectuur kan direct worden getraind op niet-gelabelde experimentele gegevens en is snel genoeg voor realtime analyse van de nieuwe generatie megahertz XFEL's. Van cruciaal belang is dat de methode ook de fase herstelt, waardoor de deur wordt geopend voor experimenten met coherente controle met XFEL's, waardoor de ingewikkelde beweging van elektronen in moleculen en systemen van gecondenseerde materie wordt gevormd.

Het onderzoek is gepubliceerd in Optics Express . + Verder verkennen

Machine learning maakt de weg vrij voor slimmere deeltjesversnellers