Заходи, вода суперионная

Суперионная вода – это фаза H₂O, где атомы водорода становятся жидкими, а атомы кислорода остаются твердыми на кристаллической решетке. Хотя суперионная вода была предложена более трех десятилетий назад, ее оптические свойства и кислородные решетки были точно измерены только недавно в экспериментах Мариуса Милло и Федерики Коппари из LLNL, и многие свойства этого горячего «черного льда» до сих пор не изучены.

Ученые LLNL разработали новый подход с использованием машинного обучения для изучения с беспрецедентным разрешением фазового поведения суперионной воды, обнаруженной у ледяных гигантов Урана и Нептуна. Предоставлено: Ливерморская национальная лаборатория Лоуренса.

Ученые Ливерморской национальной лаборатории Лоуренса (LLNL) разработали новый подход с использованием машинного обучения для изучения с беспрецедентным разрешением фазового поведения суперионной воды.

Похороненная глубоко в ядре планет, большая часть воды во Вселенной может быть суперионной, и понимание ее термодинамических и транспортных свойств имеет решающее значение для планетологии, но трудно исследовать экспериментально или теоретически.

Под давлением и температурой, обнаруженными на планетах-ледяных гигантах, большая часть этой воды, согласно расчетам из первых принципов молекулярной динамики (FPMD), находится в суперионной фазе. Однако такое квантово-механическое моделирование традиционно ограничивалось коротким временем моделирования (десятки пикосекунд) и небольшим размером системы (сотни атомов), что приводило к значительной неопределенности в расположении фазовых границ, таких как линия плавления.

В экспериментах с суперионной водой подготовка образцов является чрезвычайно сложной задачей, положение водорода не может быть определено, а измерения температуры в экспериментах по динамическому сжатию не являются простыми задачами. Часто эксперименты выигрывают от руководства, обеспечиваемого квантовым молекулярно-динамическим моделированием, как на этапе проектирования, так и для интерпретации результатов.

В самом последнем исследовании команда сделала скачок в своей способности обрабатывать большие размеры систем и долгосрочные масштабы, используя методы машинного обучения для изучения атомных взаимодействий на основе квантово-механических расчетов. Затем они использовали этот потенциал машинного обучения для управления молекулярной динамикой и позволили использовать передовые методы отбора проб свободной энергии для точного определения фазовых границ.

«Мы используем машинное обучение и методы свободной энергии, чтобы преодолеть ограничения квантово-механического моделирования и охарактеризовать диффузию водорода, суперионные переходы и фазовое поведение воды в экстремальных условиях», – сказал физик LLNL Себастьен Хамель, соавтор статьи, опубликованной в Природа Физика.

Команда обнаружила, что фазовые границы, которые согласуются с существующими экспериментальными наблюдениями, помогают определить доли изолирующего льда, различных суперионных фаз и жидкой воды внутри ледяных гигантов.

Построение эффективных потенциалов взаимодействия, сохраняющих точность квантово-механических расчетов, является сложной задачей. Разработанная здесь структура является общей и может быть использована для обнаружения и / или характеристики других сложных материалов, таких как аккумуляторные электролиты, пластмассы и нанокристаллический алмаз, используемые в капсулах ICF, а также новые фазы аммиака, солей, углеводородов, силикатов и родственных смесей. актуальные для планетологии.

«Наше количественное понимание суперионной воды проливает свет на внутреннюю структуру, эволюцию и магнитные поля планет, таких как Уран и Нептун, а также на увеличивающееся количество ледяных экзопланет», – сказал Хамель.

В работе также приняли участие исследователи из Кембриджского университета, Лионского университета и Университета Тохоку. Часть исследований, проводимая LLNL, финансируется лабораторным научно-исследовательским проектом «Раскрытие физики и химии смесей с низким Z при экстремальных давлениях и температурах» и программой Institutional Computing Grand Challenge.