இயந்திர கற்றல் எக்ஸ்ரே துடிப்புகளின் மறைக்கப்பட்ட கூறுகளை வெளிப்படுத்துதல்

எக்ஸ்ரே லேசர்களில் இருந்து வரும் அல்ட்ராஃபாஸ்ட் துடிப்புகள், ஒரு ஃபெம்டோசெகண்டின் கால அளவுகளில் அணுக்கள் எவ்வாறு நகர்கின்றன என்பதை வெளிப்படுத்துகின்றன. அது ஒரு வினாடியில் நான்கில் ஒரு பங்கு. இருப்பினும், துடிப்புகளின் பண்புகளை அளவிடுவது சவாலானது. ஒரு துடிப்பின் அதிகபட்ச வலிமை அல்லது ‘அலைவீச்சை’ நிர்ணயிப்பது நேரடியானது, துடிப்பு அதிகபட்சம் அல்லது ‘கட்டம்’ அடையும் நேரம் பெரும்பாலும் மறைக்கப்படுகிறது. இந்த மறைக்கப்பட்ட துணை கூறுகளை வெளிப்படுத்த துடிப்பை பகுப்பாய்வு செய்ய ஒரு புதிய ஆய்வு நரம்பியல் வலையமைப்புகளுக்கு பயிற்சி அளிக்கிறது. இயற்பியலாளர்கள் இந்த துணை கூறுகளை ‘உண்மையான’ மற்றும் ‘கற்பனை’ என்றும் அழைக்கின்றனர். குறைந்த தெளிவுத்திறன் அளவீடுகளிலிருந்து தொடங்கி, நரம்பியல் வலையமைப்புகள் ஒவ்வொரு துடிப்பிலும் சிறந்த விவரங்களை வெளிப்படுத்துகின்றன, மேலும் அவை முந்தைய முறைகளை விட மில்லியன் கணக்கான மடங்கு வேகமாக துடிப்புகளை பகுப்பாய்வு செய்ய முடியும்.

புதிய பகுப்பாய்வு முறை ஏற்கனவே உள்ள முறைகளை விட மூன்று மடங்கு துல்லியமானது மற்றும் மில்லியன் கணக்கான மடங்கு வேகமானது. ஒவ்வொரு எக்ஸ்ரே துடிப்பின் கூறுகளையும் அறிவது சிறந்த, மிருதுவான தரவுகளுக்கு வழிவகுக்கிறது. இது அல்ட்ராஃபாஸ்ட் எக்ஸ்ரே லேசர்களைப் பயன்படுத்தி சாத்தியமான அறிவியலை விரிவுபடுத்தும், இதில் வேதியியல், இயற்பியல் மற்றும் மெட்டீரியல் அறிவியல் மற்றும் குவாண்டம் கணக்கிடுதல் போன்ற துறைகளில் உட்பட பயன்பாடுகளை கொண்டுள்ளது. எடுத்துக்காட்டாக, கூடுதல் துடிப்புத் தகவல் எளிமையான மற்றும் அதிக தெளிவுத்திறன் கொண்ட நேர-தீர்மான சோதனைகளை செயல்படுத்தலாம், இயற்பியலின் புதிய பகுதிகளை வெளிப்படுத்தலாம் மற்றும் குவாண்டம் இயக்கவியலின் புதிய விசாரணைகளுக்கான கதவைத் திறக்கலாம். புரோட்டீன்களின் வடிவம் அல்லது எலக்ட்ரான் கற்றையின் பண்புகளைக் கற்றுக்கொள்வது உட்பட எக்ஸ்ரே மற்றும் முடுக்கி அறிவியலிலும் இங்கு பயன்படுத்தப்படும் நியூரல் வலையமைப்பு அணுகுமுறை பரந்த பயன்பாடுகளைக் கொண்டிருக்கலாம்.

சிஸ்டம் டைனமிக்ஸின் சிறப்பியல்புகள் எக்ஸ்-ரே கட்டுறா-எலக்ட்ரான் லேசர்களுக்கு (XFEL- X-ray free-electron lasers) முக்கியமான பயன்பாடுகளாகும், ஆனால் அந்த சோதனைகளில் பயன்படுத்தப்படும் எக்ஸ்-ரே துடிப்புகளின் நேர-டொமைன் பண்புகளை அளவிடுவது நீண்ட கால சவாலாகும். ஒவ்வொரு தனிப்பட்ட XFEL துடிப்பின் பண்புகளையும் கண்டறிவதன் மூலம், ஒரு புதிய வகை எளிய மற்றும் சாத்தியமான உயர்-தெளிவு இயக்கவியல் சோதனைகளை செயல்படுத்த முடியும். SLAC தேசிய முடுக்கி ஆய்வகம் மற்றும் Deutsches Elektronen-Synchrotron ஆகியவற்றின் விஞ்ஞானிகளின் இந்த ஆராய்ச்சி அந்த இலக்கை நோக்கிய ஒரு படியாகும். புதிய அணுகுமுறை நரம்பியல் நெட்வொர்க்குகளுக்கு பயிற்சி அளிக்கிறது, இது இயந்திர கற்றலின் ஒரு வடிவமாகும், இது நேரம் மற்றும் அதிர்வெண் களங்களில் குறைந்த தெளிவுத்திறன் அளவீடுகளை ஒருங்கிணைக்கிறது மற்றும் உயர் தெளிவுத்திறனில் எக்ஸ்ரே துடிப்புகளின் பண்புகளை மீட்டெடுக்கிறது. மாதிரி அடிப்படையிலான ‘இயற்பியல்-தகவல்’ நரம்பியல்-வலையமைப்பு கட்டமைப்பானது, லேபிளிடப்படாத சோதனைத் தரவுகளில் நேரடியாகப் பயிற்றுவிக்கப்படலாம் மற்றும் புதிய தலைமுறை மெகாஹெர்ட்ஸ் XFEL-களில் நிகழ்நேர பகுப்பாய்வுக்கு போதுமான வேகமானது. விமர்சன ரீதியாக, இந்த முறை கட்டத்தை மீட்டெடுக்கிறது, XFEL-களுடன் ஒத்திசைவான-கட்டுப்பாட்டு சோதனைகளுக்கான கதவைத் திறக்கிறது, மூலக்கூறுகள் மற்றும் அமுக்கப்பட்ட-பொருள் அமைப்புகளில் எலக்ட்ரான்களின் சிக்கலான இயக்கத்தை வடிவமைக்கிறது.

இந்த ஆய்வு ஆப்டிக்ஸ் எக்ஸ்பிரஸில் வெளியிடப்பட்டது.

References:

• Pang, J., Zhao, S., Du, X., Wu, H., Niu, G., & Tang, J. (2022). Vertical matrix perovskite X-ray detector for effective multi-energy discrimination. Light: Science & Applications, 11(1), 1-10.
• Ma, S., Arnold, A., Michel, P., Murcek, P., Ryzhov, A., Schaber, J., & Zhu, J. (2022). The application of machine learning in high accuracy and efficiency slit-scan emittance measurements. arXiv preprint arXiv:2207.09144.
• Sanchez-Gonzalez, A., Micaelli, P., Olivier, C., Barillot, T. R., Ilchen, M., Lutman, A. A., & Marangos, J. P. (2017). Accurate prediction of X-ray pulse properties from a free-electron laser using machine learning. Nature communications, 8(1), 1-9.
• Genty, G., Salmela, L., Dudley, J. M., Brunner, D., Kokhanovskiy, A., Kobtsev, S., & Turitsyn, S. K. (2021). Machine learning and applications in ultrafast photonics. Nature Photonics, 15(2), 91-101.