揭示自然界一些超快过程，使分子电影更加清晰，SLAC在超快科学领域保持领先地位
SLAC国家加速器实验室的研究职员通过两项研究提升了他们的兆电子伏超快电子衍射仪器（MeV-UED）的能力。
一项研究开拓了一种提高电子相机韶光分辨率的技能，另一项研究则利用人工智能（AI）调度电子束以知足各种实验需求。这些电子束技能的改进使得对超快化学反应和材料行为的不雅观察更加精确，显著地促进了材料科学、化学和量子信息等领域的发展。
想象一下能够不雅观察到化学反应的内部运作或材料在变革和相应环境时的反应——这便是研究职员可以利用一种名为兆电子伏超快电子衍射（MeV-UED）仪器的高速“电子相机”所能做到的。现在，在两项新的研究中，来自SLAC、斯坦福和其他机构的研究职员已经找到了如何更准确、更高效地捕捉这些眇小的超快细节的方法。在最近揭橥在《构造动力学》杂志上的第一项研究中，该团队发明了一种提高电子相机韶光分辨率的技能。在第二项揭橥在《自然通讯》上的研究中，研究职员演习并利用了人工智能（AI）来调度MeV-UED电子束，并将其定制到各种实验需求。
“这些影响对推进SLAC电子加速器的束流仪器和诊断工具至关主要，并将使在前所未有的精度下探索新效应的前沿成为可能，”SLAC的副科学家、两篇论文的合著者Mohamed Othman说。
超快科学中精确韶光的主要性
化学反应发生得很快——有时关键事宜在十亿分之一秒，或飞秒内发生。捕捉这些飞秒事宜是超快科学领域的领域，须要一些天下上最前辈的科学仪器——比如MeV-UED。
MeV-UED通过用电子束击中样品并记录电子通过时材料的变革来拍摄快照。结果是一部电影，使科学家能够窥视分子和原子在超快速率下的行为，并深入理解对能源办理方案和创新新材料和药物等关键过程。
通过束压缩和韶光戳记提高精度
棘手的是，MeV-UED束由电子束或电子脉冲组成——它们是一群难以驾驭的电子。当电子脉冲到达材料样品时，脉冲中首个电子与末了一个电子的到达韶光之间存在一定的传播韶光差。这种到达韶光的传播，加上脉冲之间韶光的变革，称为抖动，使得在每张电子相机图像中精确定位事宜发生的韶光变得困难。
SLAC团队之前报告说，利用太赫兹辐射（在电磁谱上位于微波和红外光之间）并添加一个压缩器到MeV-UED中，提高了仪器的韶光分辨率。压缩器利用太赫兹辐射通过一种称为束压缩的方法缩短电子脉冲的韶光传播。
在进一步驯服电子束的探索中，团队结合了束压缩和另一种称为韶光戳记的方法：脉冲与样品相互浸染并击中探测器后，韶光信息被编码在电子相机图像中。通过大略的韶光排序，用户可以更精确地确定每张图像或电影中的韶光。
结合束压缩和韶光戳记提高了韶光精度并减少了抖动。“研究职员可以利用这种技能不雅观察非常快的韶光尺度，特殊是材料中的原子运动，”Othman说。“这种原子显微镜可以用于根本科学：材料科学、化学、绿色能源、量子信息等。要研究这些科学领域，达到飞秒尺度至关主要。”
有了这个原型的成功，他们的下一步是构建一个具有结合能力的仪器。“我们正试图推动MeV-UED在韶光等方面的极限。由于MeV-UED是美国能源部用户举动步伐的一部分，我们希望构建这个仪器，可以成为用户的一个选项，”Othman说。
利用AI进行束优化
来自天下各地的研究职员来到SLAC的MeV-UED进行他们的实验，他们的需求各不相同。对付每个实验，束操作员须要优化20-30个参数，如束斑大小，并考虑所有参数之间的权衡。SLAC的员工科学家和论文的紧张作者Fuhao Ji将调度过程比作在烘焙面包时根据顾客的口味改变食谱身分——有很多成分须要考虑，每个人的口味都有点不同。
目前，履历丰富的操作员在一些自动化过程的帮助下自己做所有这些选择，但这并不像它可能的那样高效。为了使它运行更顺畅，SLAC的加速器和仪器方面的研究职员与实验室的AI专家互助，搭建了一种分外的AI模型，称为多目标贝叶斯优化（MOBO），直接在线调度MeV-UED的电子束。这种方法可以像履历丰富的操作员一样操作，并且至少比自动化过程快十倍。由于用户有固定的束韶光，这意味着更少的韶光调度和更多的韶光运行他们的实验和网络数据。
AI集成的未来前景和影响
在发布AI模型之前，SLAC团队必须对其进行演习，以便它不仅知道要探求什么，还知道如何评估束参数之间的权衡。模型通过实践学习：研究职员像常日一样运行实验并网络数据，然后将这些数据输入模型，模型学习不同的参数如何相互浸染来塑造束。
像其他AI模型一样，MOBO可以预测新的参数设置的新结果，这在研究职员须要一个以前没有利用过的束设置时特殊有用。该模型还供应了对实验系统的更全面的视图。
“这是MeV-UED和加速器管理局机器学习组之间密切互助的结果，并为在MeV-UED建立一个端到端自动化智能科学用户举动步伐的终极目标铺平了道路，”Ji说，AI算法将共同优化全体系统中的所有组件，从电子源到加速器、光源、样品设置和探测器。
Ji和同事们正在寻求扩展MOBO工具的能力。他们的下一步是采取另一种AI工具，贝叶斯算法实行，以进一步加速优化过程并实现更好的性能。
“我们估量它将对不同学科的研究产生广泛影响，如物理、化学、生物学和量子材料，在大规模、繁芜的科学用户举动步伐中，”Ji说。
参考文献
“通过太赫兹压缩和韶光戳记提高超快电子衍射丈量的韶光分辨率”由Mohamed A. K. Othman, Annika E. Gabriel, Emma C. Snively, Michael E. Kozina, Xiaozhe Shen, Fuhao Ji, Samantha Lewis; Stephen Weathersby, Praful Vasireddy, Duan Luo, Xijie Wang, Matthias C. Hoffmann和Emilio A. Nanni，2024年4月22日，《构造动力学》。
DOI: 10.1063/4.0000230
“MeV-超快电子衍射的多目标贝叶斯主动学习”由Fuhao Ji, Auralee Edelen, Ryan Roussel, Xiaozhe Shen, Sara Miskovich, Stephen Weathersby, Duan Luo, Mianzhen Mo, Patrick Kramer, Christopher Mayes, Mohamed A. K. Othman, Emilio Nanni, Xijie Wang, Alexander Reid, Michael Minitti和Robert Joel England，2024年6月3日，《自然通讯》。
DOI: 10.1038/s41467-024-48923-9
