科学家开发新机器学习技术，定量研究冰巨星中的超离子水

天王星和海王星内部所含的水量大约是地球海洋水量的5万倍，而一种被称为“超离子水”的物质，被认为稳定存在于超过天王星和海王星半径约三分之一处的深度中。

超离子水是水（H₂O）的一个阶段，其中氢原子变成液态，而氧原子在晶格上保持固态。尽管超离子水在30多年前就被发现，但它的光学特性和氧晶格，最近在劳伦斯·利弗莫尔国家实验室（Lawrence Livermore National Laboratory）的实验中才进行精确测量，这种热“黑冰”的许多特性仍然是未知的。

埋藏在行星核心深处宇宙中，大部分水可能是超离子水，了解其热力学和传输特性，对行星科学至关重要，但很难通过实验或理论来探测它。劳伦斯·利弗莫尔国家实验室（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。

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）模拟预测这些水大部分处于超离子阶段。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），导致相界位置有显著不确定性，如熔化线。

研究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，研究人员使用该机器学习的潜力，来驱动分子动力学，并启用先进的自由能采样方法来准确确定相界。研究小组发现，与现有实验观察结果一致的相界，有助于解决冰巨头内部的绝缘冰、不同的超离子相和液态水的比例。

研究人员表示，这项机器学习技术的框架是通用的，可以用来发现和/或描述其他复杂的材料，如电池电解质、塑料和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。

此项研究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、演化和磁场以及越来越多的冰质系外行星提供了启示。

题为“Phase behaviours of superionic water at planetary conditions”的相关研究论文发表在《自然·物理》（Nature Physics）上。

前瞻经济学人APP资讯组

论文原文：https://phys.org/news/2021-09-superionic.html