peaks: a Python package for analysis of angle-resolved photoemission and related spectroscopies

Om te begrijpen hoe een materiaal elektriciteit geleidt, licht reflecteert of warmte opslaat, moeten wetenschappers eerst de verborgen paden van de elektronen erin in kaart brengen. In de kwantumwereld dwalen elektronen niet vrij rond; ze zijn beperkt tot specifieke energieniveaus en momentumtoestanden die een complex landschap vormen dat bekend staat als de elektronische bandenstructuur. Deze structuur fungeert als de blauwdruk voor het gedrag van een vaste stof. Decennialang hebben onderzoekers een techniek gebruikt die angle-resolved photoemission spectroscopy wordt genoemd om in deze blauwdruk te kijken. Door licht op een materiaal te schijnen en de energie en richting van de elektronen te meten die eraf vliegen, kunnen ze een direct beeld reconstrueren van hoe elektronen bewegen en interageren. Naarmate de technologie is gevorderd, is deze methode geëvolueerd van het maken van eenvoudige snapshots naar het vastleggen van rijke, meerdimensionale films die bijhouden hoe elektronen veranderen met temperatuur, spin en zelfs tijd.

Deze evolutie heeft echter een nieuw probleem gecreëerd: de gegevens worden te omvangrijk en te complex voor de huidige instrumenten om efficiënt te verwerken. Moderne experimenten genereren enorme datasets die onderzoekers dwingen om te jongleren met verschillende meetopstellingen, coördinatensystemen en bestandsformaten, vaak terwijl het experiment nog loopt. Om dit op te lossen, heeft Phil D. C. King en zijn team aan de Universiteit van St Andrews een nieuwe softwarepackage ontwikkeld genaamd peaks. Dit hulpmiddel is specifief ontworpen om de unieke uitdagingen van moderne spectroscopie te beheren, waardoor wetenschappers deze enorme, meerlaagse datasets kunnen visualiseren, uitlijnen en analyseren zonder te worden gehinderd door technische obstakels.

De kernprestatie van het peaks-pakket is het vermogen om experimentele data te behandelen als een flexibele, levende structuur in plaats van een statisch bestand. De software is gebouwd op een fundament dat het mogelijk maakt om data te laden zonder de volledige dataset tegelijkertijd in het geheugen van de computer op te slaan. Dit betekent dat onderzoekers kunnen werken met experimenten die groter zijn dan de beschikbare opslag van hun computer, door alleen de specifieke segmenten van de data te verwerken die ze op dat moment nodig hebben. Het stelt de software ook in staat om taken te verdelen over meerdere processoren, wat berekeningen versnelt die anders uren zouden duren. Door de data te organiseren op een manier die de werkelijke hiërarchie van het experiment weerspiegelt — door metingen te groeperen per monster, temperatuur of tijd — houdt de software de context van het onderzoek intact, waardoor elke stap van de analyse kan worden teruggevoerd naar de oorsprong.

Een van de meest significante bijdragen van dit werk is de aanpak van standaardisatie. In het verleden moesten wetenschappers die verschillende machines gebruikten of op verschillende faciliteiten werkten, vaak aangepaste code schrijven om data van het ene naar het andere formaat te vertalen, een proces dat foutgevoelig was en tijd verspilde. peaks pakt dit aan door een universeel kader te bieden dat de specifieke conventies van diverse grote spectrometers en experimentele opstellingen begrijpt. Het handelt automatisch de verschillen af in de manier waarop hoeken en eenheden binnen de wereldwijde gemeenschap worden gedefinieerd, waardoor een onderzoeker data van een faciliteit in Europa kan laden en deze kan analyseren naast data van een faciliteit in Azië met dezelfde set hulpmiddelen. Deze capaciteit is cruciaal voor "on-the-fly" analyse, waarbij wetenschappers onmiddellijke beslissingen moeten nemen over de uitlijning van monsters of meetparameters terwijl het experiment gaande is.

De software brengt ook geavanceerde visualisatie- en fittingtools direct naar de interactieve omgeving waarin wetenschappers werken. In plaats van statische afbeeldingen te genereren, biedt peaks dynamische interfaces waar gebruikers vierdimensionale datasets kunnen verkennen, waarbij ze door lagen van data snijden om specifieke kenmerken te vinden. Het bevat gespecialiseerde tools voor het extraheren van curven die laten zien hoe de elektronintensiteit verandert met energie of momentum, en het kan wiskundige modellen op deze curven fitten om precieze fysieke waarden te extraheren. Cruciaal is dat deze fitting-operaties kunnen worden uitgevoerd op data die nog op een harde schijf staat opgeslagen, waarbij alleen de noodzakelijke delen in het geheugen worden geladen terwijl de gebruiker met de grafiek interacteert. Dit maakt de analyse van extreem grote datasets mogelijk, zoals het in kaart brengen van het oppervlak van een materiaal met een hoge ruimtelijke resolutie, zonder dat daar supercomputers voor nodig zijn.

Met het oog op de toekomst is peaks zo ontworpen dat het mee kan groeien met het vakgebied. De software bevat al initiële tools voor machine learning, zoals methoden om patronen te identificeren of ruis te verwijderen uit ruimtelijk opgeloste data, en de architectuur is klaar om meer geavanceerde technieken voor kunstmatige intelligentie te integreren. Er zijn ook plannen om de mogelijkheden uit te breiden naar het verwerken van spin-opgeloste data, die de magnetische oriëntatie van elektronen volgt. Door een open-source platform te bieden dat transparant, reproduceerbaar en aanpasbaar is, beoogt het team een meer collaboratieve benadering van de wetenschap te bevorderen. Het pakket is nu beschikbaar voor de gemeenschap om te gebruiken, en biedt een gestroomlijnde weg door de complexiteit van moderne elektronenspectroscopie, waardoor onderzoekers zich kunnen concentreren op de fysica in plaats van op de gegevensverwerking.