研究人员开创了超快科学中制作更清晰分子电影的新方法

想象一下，当化学反应或材料对环境发生变化和反应时，能够观察其内部工作——这就是研究人员可以在美国能源部SLAC国家加速器实验室的Linac相干光源（LCLS）使用一种名为兆电子伏特超快电子衍射（MeV UED）仪器的高速“电子相机”所做的事情

现在，在两项新的研究中，来自SLAC、斯坦福大学和其他机构的研究人员已经找到了如何更准确、更高效地捕捉这些微小、超快的细节

在最近发表在《结构动力学》上的第一项研究中，一个团队发明了一种提高电子相机时间分辨率的技术

在发表在《自然通讯》上的第二项研究中，研究人员训练并使用人工智能（AI）来调整MeV UED电子束，并根据各种实验需求进行调整

SLAC副科学家、两篇论文的合著者Mohamed Othman表示：“这些效应对推进SLAC电子加速器的束流仪器和诊断具有深远意义，并将为以前所未有的精度探索新效应开辟新的前沿。”

时间决定一切

化学反应发生得很快——有时关键事件发生在十亿分之一秒或飞秒以上。捕捉这些飞秒事件是一个被称为超快科学的领域，需要一些世界上最先进的科学仪器，如MeV UED

MeV UED通过用电子束撞击样品并记录电子通过时材料中发生的情况来拍摄快照。其结果是一部分子电影，使科学家能够以超快的速度观察分子和原子的行为，并深入了解能源解决方案、创新新材料和药物等关键过程

棘手的是，MeV UED束是由电子束或电子脉冲组成的，它们可能是一个不规则的束。当电子脉冲到达材料样品时，脉冲的第一个电子和最后一个电子之间的到达时间有一点扩展。这种时间扩散，加上脉冲之间时间的变化，称为抖动，使得很难准确地确定每个电子相机图像中发生的事情

SLAC团队此前报告称，使用太赫兹辐射（位于电磁频谱上的微波和红外光之间），并在MeV UED中添加压缩器，提高了仪器的时间分辨率。压缩器使用太赫兹辐射，通过一种称为适当的束压缩的方法来缩短电子脉冲的时间扩展

为了进一步驯服电子束，该团队将束压缩与另一种称为时间戳的方法相结合：在脉冲与样品相互作用并撞击探测器后，定时信息被编码在电子相机图像中。通过简单的时间排序，用户可以更精确地确定每个图像或电影中的时间

将束压缩和时间戳相结合提高了定时精度并减少了抖动。Othman说：“研究人员可以使用这项技术来观察极快的时间尺度，特别是材料中的原子运动。”。“这种原子显微镜可用于基础科学：材料科学、化学、绿色能源、量子信息等。实现飞秒尺度对研究这些科学领域至关重要。”

随着这种原型的成功，他们的下一步是建造一种具有综合能力的仪器。Othman说：“我们正在努力突破MeV UED在时间方面的极限。因为MeV UED是美国能源部的用户设施，我们希望建造这种可以作为用户选择的仪器。”

人工智能的力量来自世界各地的研究人员来到SLAC的MeV UED进行实验，他们的需求千差万别。对于每个实验，波束操作员需要优化20-30个参数，如波束光斑大小，并考虑所有参数之间的权衡

SLAC的科学家兼论文主要作者付浩基将调整过程比作烘焙面包时改变配方成分以适应顾客的口味——需要考虑很多因素，每个人的口味都有点不同

目前，经验丰富的操作员在自动化过程的帮助下自己做出所有这些选择，但效率并不如预期。为了使其运行更平稳，实验室加速器和仪器侧的SLAC研究人员与实验室的人工智能专家合作，实现了一种特殊的人工智能模型，称为多目标贝叶斯优化（MOBO），以直接在线调整MeV UED的电子束

这种方法可以像有经验的操作员一样出色地进行调整，并且至少比自动化过程快十倍。由于用户有固定的波束时间，这意味着更少的时间和更多的时间来运行他们的实验和收集数据

在放松人工智能模型之前，SLAC团队必须对其进行训练，使其不仅知道要寻找什么，还知道如何评估波束参数之间的权衡。该模型通过实践学习：研究人员像往常一样进行实验并收集数据，然后将这些数据输入模型，该模型了解了不同参数如何相互作用以形成光束

与其他人工智能模型一样，MOBO可以通过新的参数设置预测新的结果，当用户需要以前从未使用过的波束设置时，这一点特别有用。该模型还提供了实验系统的更全面的图像

“这是MeV UED和加速器理事会机器学习小组密切合作的结果，为在MeV UED建立端到端自动化智能科学用户设施的最终目标铺平了道路，”季说，人工智能算法将共同优化整个系统中的所有组件，从电子源到加速器、光源、样本设置和检测器

Ji及其同事正在寻求扩展MOBO工具的功能。他们的下一步是采用另一种人工智能工具贝叶斯算法执行，以进一步加快优化过程并获得更好的性能

“我们预计它将在大规模、复杂的科学用户设施中对物理、化学、生物学和量子材料等不同学科的研究产生广泛影响，”季说 More information: Mohamed A. K. Othman et al, Improved temporal resolution in ultrafast electron diffraction measurements through THz compression and time-stamping, Structural Dynamics (2024). DOI: 10.1063/4.0000230

Fuhao Ji et al, Multi-objective Bayesian active learning for MeV-ultrafast electron diffraction, Nature Communications (2024). DOI: 10.1038/s41467-024-48923-9

Journal information: Nature Communications