Abstract Material functionality can be strongly determined by structure extending only over nanoscale distances. The pair distribution function presents an opportunity for structural studies beyond idealized crystal models and to investigate structure over varying length scales. Applying this method with ultrafast time resolution has the potential to similarly disrupt the study of structural dynamics and phase transitions. Here we demonstrate such a measurement of CuIr 2 S 4 optically pumped from its low-temperature Ir-dimerized phase. Dimers are optically suppressed without spatial correlation, generating a structure whose level of disorder strongly depends on the length scale. The redevelopment of structural ordering over tens of picoseconds is directly tracked over both space and time as a transient state is approached. This measurement demonstrates the crucial role of local structure and disorder in non-equilibrium processes as well as the feasibility of accessing this information with state-of-the-art XFEL facilities.

The performance of metal and polymer foams used in inertial confinement fusion (ICF), inertial fusion energy (IFE), and high-energy-density (HED) experiments is currently limited by our understanding of their nanostructure and its variation in bulk material. We utilized an X-ray-free electron laser (XFEL) together with lensless X-ray imaging techniques to probe the 3D morphology of copper foams at nanoscale resolution (28 nm). The observed morphology of the thin shells is more varied than expected from previous characterizations, with a large number of them distorted, merged, or open, and a targeted mass density 14% less than calculated. This nanoscale information can be used to directly inform and improve foam modeling and fabrication methods to create a tailored material response for HED experiments.

The kagome superconductor CsV3Sb5 hosts a variety of charge density wave (CDW) phases, which play a fundamental role in the formation of other exotic electronic instabilities. However, identifying the precise structure of these CDW phases and their intricate relationships remain the subject of intense debate, due to the lack of static probes that can distinguish the CDW phases with identical spatial periodicity. Here, we unveil the out-of-equilibrium competition between two coexisting 2 × 2 × 2 CDWs in CsV3Sb5 harnessing time-resolved X-ray diffraction. By analyzing the light-induced changes in the intensity of CDW superlattice peaks, we demonstrate the presence of both phases, each displaying a significantly different amount of melting upon excitation. The anomalous light-induced sharpening of peak width further shows that the phase that is more resistant to photo-excitation exhibits an increase in domain size at the expense of the other, thereby showcasing a hallmark of phase competition. Our results not only shed light on the interplay between the multiple CDW phases in CsV3Sb5, but also establish a non-equilibrium framework for comprehending complex phase relationships that are challenging to disentangle using static techniques. The interplay between charge density wave states in emerging kagome superconductors is a topic of ongoing debate. Here, the authors unveil the out-of-equilibrium competition between two coexisting charge density waves in CsV3Sb5 by harnessing time-resolved X-ray diffraction.

Introduction Colorectal cancer is the third most common malignancy in developed countries. Diagnosis strongly depends on the pathologist’s expertise and laboratory equipment, and patient survival is influenced by the cancer’s stage at detection. Non-invasive spectroscopic techniques can aid early diagnosis, monitor disease progression, and assess changes in physiological parameters in both heterogeneous samples and advanced platforms like Organ-on-Chip (OoC). Methods In this study, Raman microspectroscopy combined with Machine Learning was used to analyse structural and biochemical changes in a Caco-2 cell-based intestinal epithelial model before and after treatment with a calcium chelating agent. Results The Machine Learning (ML) algorithm successfully classified different epithelium damage conditions, achieving an accuracy of 91.9% using only 7 features. Two data-splitting approaches, “sample-based” and “spectra-based,” were also compared. Further, Raman microspectroscopy results were confirmed by TEER measurements and immunofluorescence staining. Discussion Experimental results demonstrate that this approach, combined with supervised Machine Learning, can investigate dynamic biomolecular changes in real-time with high spatial resolution. This represents a promising non-invasive alternative technique for characterizing cells and biological barriers in organoids and OoC platforms, with potential applications in cytology diagnostics, tumor monitoring, and drug efficacy analysis.