Pulsos ultrarrápidos de lasers de raios-X revelam como os átomos se movem em escalas de tempo de um femtosegundo. Isso é um quadrilionésimo de segundo. No entanto, medir as propriedades dos próprios pulsos é um desafio. Embora a determinação da força máxima de um pulso, ou 'amplitude' seja simples, o momento em que o pulso atinge o máximo, ou 'fase', é muitas vezes oculto. Um novo estudo treina redes neurais para analisar o pulso para revelar esses subcomponentes ocultos. Os físicos também chamam esses subcomponentes de 'reais' e 'imaginários'. A partir de medições de baixa resolução, as redes neurais revelam detalhes mais finos a cada pulso e podem analisar pulsos milhões de vezes mais rápido do que os métodos anteriores.
O novo método de análise é até três vezes mais preciso e milhões de vezes mais rápido do que os métodos existentes. Conhecer os componentes de cada pulso de raios X leva a dados melhores e mais nítidos. Isso expandirá a ciência possível usando lasers de raios X ultrarrápidos, incluindo pesquisas fundamentais em química, física e ciência de materiais e aplicações em campos como computação quântica. Por exemplo, as informações de pulso adicionais podem permitir experimentos resolvidos no tempo mais simples e de alta resolução, revelar novas áreas da física e abrir as portas para novas investigações da mecânica quântica. A abordagem de rede neural usada aqui também pode ter amplas aplicações em raios-X e ciência de aceleradores, incluindo aprender a forma de proteínas ou as propriedades de um feixe de elétrons.

As caracterizações da dinâmica do sistema são aplicações importantes para lasers de elétrons livres de raios X (XFELs), mas medir as propriedades no domínio do tempo dos pulsos de raios X usados ​​nesses experimentos é um desafio de longa data. Diagnosticar as propriedades de cada pulso XFEL individual pode permitir uma nova classe de experimentos dinâmicos mais simples e potencialmente de maior resolução. Esta pesquisa de cientistas do SLAC National Accelerator Laboratory e do Deutsches Elektronen-Synchrotron é um passo em direção a esse objetivo. A nova abordagem treina redes neurais, uma forma de aprendizado de máquina, para combinar medições de baixa resolução nos domínios de tempo e frequência e recuperar as propriedades dos pulsos de raios X em alta resolução. A arquitetura de rede neural 'informada pela física' baseada em modelo pode ser treinada diretamente em dados experimentais não rotulados e é rápida o suficiente para análise em tempo real na nova geração de XFELs de megahertz. Criticamente, o método também recupera a fase, abrindo a porta para experimentos de controle coerente com XFELs, moldando o intrincado movimento de elétrons em moléculas e sistemas de matéria condensada.

A pesquisa foi publicada na Optics Express . + Explorar mais

O aprendizado de máquina abre caminho para aceleradores de partículas mais inteligentes