Kom indenfor, vandet er superionisk

Uranus og Neptuns indre indeholder hver omkring 50.000 gange mængden af ​​vand i Jordens oceaner, og en form for vand kendt som superionisk vand menes at være stabil på dybder større end omkring en tredjedel af radius af disse isgiganter.

Superionisk vand er en fase af H ₂ O hvor brintatomer bliver væskelignende, mens oxygenatomer forbliver fast-lignende på et krystallinsk gitter. Selvom superionisk vand blev foreslået for over tre årtier siden, dets optiske egenskaber og oxygengitre blev først målt nøjagtigt for nylig i eksperimenter af LLNL's Marius Millot og Federica Coppari, og mange egenskaber ved denne varme "sorte is" er stadig ukendte.

Forskere fra Lawrence Livermore National Laboratory (LLNL) har udviklet en ny tilgang ved hjælp af maskinlæring til med hidtil uset opløsning at studere faseadfærden af ​​superionisk vand.

Begravet dybt i kernen af ​​planeter, meget af vandet i universet kan være superionisk, og forståelsen af ​​dets termodynamiske og transportegenskaber er afgørende for planetarisk videnskab, men vanskeligt at undersøge eksperimentelt eller teoretisk.

Under de tryk og temperaturer, der findes på isgigantiske planeter, det meste af dette vand blev forudsagt af First-Principles Molecular Dynamics (FPMD) simuleringer til at være i en superionisk fase. Imidlertid, sådanne kvantemekaniske simuleringer har traditionelt været begrænset til korte simuleringstider (10s picosekunder) og lille systemstørrelse (100s af atomer), hvilket fører til betydelig usikkerhed i placeringen af ​​fasegrænser såsom smeltelinjen.

I forsøg med superionisk vand, prøveforberedelse er ekstremt udfordrende, brintpositioner kan ikke bestemmes, og temperaturmålinger i dynamiske kompressionsforsøg er ikke ligetil. Ofte nyder eksperimenterne godt af vejledningen fra kvantemolekylære dynamiske simuleringer både under designfasen og til fortolkningen af ​​resultaterne.

I den seneste forskning, holdet tog et spring fremad i sin evne til at behandle store systemstørrelser og langtidsskalaer ved at gøre brug af maskinlæringsteknikker til at lære de atomare interaktioner fra kvantemekaniske beregninger. De brugte derefter det maskinlærte potentiale til at drive den molekylære dynamik og muliggøre brugen af ​​avancerede fri energiprøvetagningsmetoder til nøjagtigt at bestemme fasegrænserne.

"Vi bruger maskinlæring og fri energi metoder til at overvinde begrænsningerne ved kvantemekaniske simuleringer, og karakteriserer hydrogendiffsion, superioniske overgange og faseadfærd af vand under ekstreme forhold, " sagde LLNL fysiker Sebastien Hamel, en medforfatter til et papir, der optræder i Naturfysik .

Holdet fandt, at fasegrænser, som er i overensstemmelse med de eksisterende eksperimentelle observationer, hjælpe med at løse fraktionerne af isolerende is, forskellige superioniske faser og flydende vand inde i isgiganter.

Konstruktionen af ​​effektive interaktionspotentialer, der bevarer nøjagtigheden af ​​kvantemekaniske beregninger, er en vanskelig opgave. Den ramme, der blev udviklet her, er generel og kan bruges til at opdage og/eller karakterisere andre komplekse materialer såsom batterielektrolytter, plastik og nanokrystallinsk diamant brugt i ICF-kapsler samt nye faser af ammoniak, salte, kulbrinter, silikater og relaterede blandinger, der er relevante for planetarisk videnskab.

"Vores kvantitative forståelse af superionisk vand kaster lys ind i den indre struktur, evolution og magnetiske felter på planeter som Uranus og Neptun og også af det stigende antal iskolde exoplaneter, " sagde Hamel.

Forskere fra University of Cambridge, University of Lyon og Tohoku University bidrog også til papiret. LLNL-delen af ​​forskningen er finansieret af Laboratory Directed Research and Development-projektet "Unraveling the Physics and Chemistry of low-Z-blandinger ved ekstreme tryk og temperaturer" og Institutional Computing Grand Challenge-programmet.