利用经合成哈密顿矩阵训练的深度神经网络分析非线性光电离谱的前景
原子物理
2021-06-09 v1
摘要
我们构建了深度神经网络，可将由含噪脉冲获得的起伏光电子能谱映射为无噪脉冲的能谱。该网络使用含噪脉冲能谱与随机哈密顿矩阵组合进行训练，这些矩阵代表可能存在但未必真实存在的体系。在[Giri et al., Phys. Rev. Lett. 124,113201 (2020)]中，我们实现了起伏能谱的净化，即将其映射为傅里叶极限高斯脉冲的能谱。本文中，我们研究此类基于神经网络的映射在由含噪脉冲生成的起伏能谱预测双脉冲、啁啾脉冲乃至部分相干脉冲能谱方面的性能。其次，我们证明在对起伏双脉冲能谱进行净化的同时，可估算底层双脉冲的时间延迟，这是SASE自由电子激光单发能谱的一项引人注目的特性。我们以对激光脉冲细节敏感的非线性过程——共振双光子电离——展示了我们的方法。
引用
@article{arxiv.2010.06016,
title = {Perspectives for analyzing non-linear photo ionization spectra with deep neural networks trained with synthetic Hamilton matrices},
author = {Sajal Kumar Giri and Lazaro Alonso and Ulf Saalmann and Jan Michael Rost},
journal= {arXiv preprint arXiv:2010.06016},
year = {2021}
}
备注
10 pages, 9 figures