LLNL科学家使用机器学习研究冰巨星中“超离子水”的行为

LLNL的科学家们开发了一种新的方法，使用机器学习以前所未有的分辨率研究“超离子水”的相行为。科学家称，埋藏在行星核心深处的，宇宙中的大部分水可能是“超离子水”。了解它的热力学和传输特性对行星科学至关重要，但却很难通过实验或理论来探测。

在冰巨星行星中发现的压力和温度下，第一原理分子动力学（FPMD）模拟预测这种水的大部分处于超离子态。然而，这种量子力学模拟传统上仅限于较短的模拟时间（10几皮秒）和较小的系统规模（100多个原子），导致相界位置的重大不确定性，如熔化线。

在超离子水的实验中，样品的准备是非常具有挑战性的：氢的位置无法确定，动态压缩实验中的温度测量也不直接。通常情况下，实验在设计阶段和解释结果时都会受益于量子分子动力学模拟提供的指导。

在最近的研究中，该团队通过利用机器学习技术从量子力学计算中学习原子相互作用，在处理大系统规模和长时间尺度的能力上取得了飞跃。然后，他们使用该机器学习的潜力来驱动分子动力学，并使先进的自由能采样方法得以使用，以准确确定相界。

LLNL物理学家Sebastien Hamel说：“我们使用机器学习和自由能方法来克服量子力学模拟的局限性，并描述极端条件下水的氢扩散、超离子过渡和水在极端条件下的相行为，”他是发表在《自然-物理学》上的论文的共同作者。

研究小组发现，与现有实验观测结果一致的相界有助于解决冰巨星内部的绝缘冰、不同的超离子相和液态水的比例。

构建有效的相互作用势，保持量子力学计算的准确性是一项艰巨的任务。这里开发的框架是通用的，可以用来发现或描述其他复杂的材料，如电池电解质、塑料、惯性约束聚变（ICF）胶囊中使用的纳米晶金刚石，以及与行星科学有关的氨、盐、碳氢化合物、硅酸盐和相关混合物的新相。

Hamel说：“我们对超离子水的定量理解为天王星和海王星等行星的内部结构、演变和磁场以及越来越多的冰冷系外行星提供了启示。”