Home Wissenschaften Maschinelles Lernen enthüllt verborgene Bestandteile von Röntgenpulsen

Maschinelles Lernen enthüllt verborgene Bestandteile von Röntgenpulsen

by nwna_de

Ein Röntgenpuls (weiße Linie) ist aus „realen“ und „imaginären“ Komponenten (rote und blaue Striche) aufgebaut, die Quanteneffekte bestimmen. Ein neuronales Netzwerk analysiert Messungen mit niedriger Auflösung (schwarzer Schatten), um den hochauflösenden Impuls und seine Komponenten aufzudecken. Bildnachweis: SLAC National Accelerator Laboratory

Ultraschnelle Pulse von Röntgenlasern zeigen, wie sich Atome auf Zeitskalen von einer Femtosekunde bewegen. Das ist eine Billiardstel Sekunde. Die Messung der Eigenschaften der Pulse selbst ist jedoch eine Herausforderung. Während die Bestimmung der maximalen Stärke oder „Amplitude“ eines Pulses einfach ist, bleibt der Zeitpunkt, zu dem der Puls das Maximum oder die „Phase“ erreicht, oft verborgen. Eine neue Studie trainiert neuronale Netzwerke, um den Puls zu analysieren, um diese verborgenen Unterkomponenten aufzudecken. Physiker nennen diese Teilkomponenten auch „real“ und „imaginär“. Ausgehend von Messungen mit niedriger Auflösung offenbaren die neuronalen Netze mit jedem Puls feinere Details und können Pulse millionenfach schneller analysieren als bisherige Methoden.


Das neue Analyseverfahren ist bis zu dreimal genauer und millionenfach schneller als bisherige Verfahren. Die Kenntnis der Komponenten jedes Röntgenpulses führt zu besseren, schärferen Daten. Dies wird die Wissenschaft erweitern, die mit ultraschnellen Röntgenlasern möglich ist, einschließlich Grundlagenforschung in Chemie, Physik und Materialwissenschaften und Anwendungen in Bereichen wie Quantencomputer. Beispielsweise könnte die zusätzliche Pulsinformation einfachere und zeitaufgelöste Experimente mit höherer Auflösung ermöglichen, neue Bereiche der Physik erschließen und die Tür zu neuen Untersuchungen der Quantenmechanik öffnen. Der hier verwendete neuronale Netzwerkansatz könnte auch breite Anwendungen in der Röntgen- und Beschleunigerwissenschaft haben, einschließlich des Lernens der Form von Proteinen oder der Eigenschaften eines Elektronenstrahls.

Charakterisierungen der Systemdynamik sind wichtige Anwendungen für Freie-Elektronen-Röntgenlaser (XFELs), aber die Messung der Zeitbereichseigenschaften der in diesen Experimenten verwendeten Röntgenpulse ist eine seit langem bestehende Herausforderung. Die Diagnose der Eigenschaften jedes einzelnen XFEL-Pulses könnte eine neue Klasse einfacherer und potenziell hochauflösender Dynamikexperimente ermöglichen. Diese Forschung von Wissenschaftlern des SLAC National Accelerator Laboratory und des Deutschen Elektronen-Synchrotrons ist ein Schritt in Richtung dieses Ziels. Der neue Ansatz trainiert neuronale Netze, eine Form des maschinellen Lernens, um Messungen mit niedriger Auflösung sowohl im Zeit- als auch im Frequenzbereich zu kombinieren und die Eigenschaften von Röntgenimpulsen mit hoher Auflösung wiederherzustellen. Die modellbasierte, „physikinformierte“ neuronale Netzwerkarchitektur kann direkt mit unbeschrifteten experimentellen Daten trainiert werden und ist schnell genug für Echtzeitanalysen an Megahertz-XFELs der neuen Generation. Entscheidend ist, dass die Methode auch die Phase wiederherstellt, was die Tür zu kohärenten Kontrollexperimenten mit XFELs öffnet und die komplizierte Bewegung von Elektronen in Molekülen und Systemen aus kondensierter Materie formt.

Die Studie wurde veröffentlicht in Optik Express.


Maschinelles Lernen ebnet den Weg für intelligentere Teilchenbeschleuniger


Mehr Informationen:
D. Ratner et al, Wiederherstellung der Phase und Amplitude von Röntgen-FEL-Pulsen unter Verwendung neuronaler Netze und differenzierbarer Modelle, Optik Express (2021). DOI: 10.1364/OE.432488

Bereitgestellt vom US-Energieministerium

Zitat: Maschinelles Lernen enthüllt verborgene Komponenten von Röntgenimpulsen (2022, 5. August), abgerufen am 6. August 2022 von https://phys.org/news/2022-08-machine-reveals-hidden-components-x-ray.html

Dieses Dokument ist urheberrechtlich geschützt. Abgesehen von einem fairen Handel zum Zwecke des privaten Studiums oder der Forschung darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient nur zu Informationszwecken.