跳到主要内容

话题

凝聚态

凝聚态

金属氢气的机器学习研究为木星内部提供了线索

22 Sep 2020
哈勃看到的木星
平滑过渡:金属氢气的机器学习研究可以在木星等气体巨头内室内脱光。 (礼貌:NASA / ESA / AIMON(戈达德太空飞行中心)/ MH WONG(加州大学,伯克利))

在木星等气体巨头行星内部内部深入,材料可以对数百万宽的压力进行。在最极端的条件下,甚至氢不再以通常的分子形式存在。相反,其共价键分解并认为材料成为金属固体。随着天文学家寻求了解天然气巨头的物理结构,对这种金属化过程的详细了解至关重要。

为了获得这些洞察力,研究人员必须看看氢的相图 - 这描绘了其物理性质如何随温度和压力而变化。尽管在不太极端条件下氢气的相图精确地映射出来,但是对于极致密,金属氢气的情况远远不受这种情况。知识中的这种差距促使许多研究边界位于分子液体氢气和其固体金属形式之间的研究。但是,证明在实验室中创造了必要的高压力是非常困难的。

独特的边界

最近,物理学家在极端条件下使用计算机模拟来模拟氢气,使用统计和量子力学来重建虚拟原子组之间的相互作用。对于含有几百个原子的样品,在几种皮秒的模拟时间上运行,这些模型预测,在增加压力氢气下从分子状态到原子状态进行突然的一阶相转变。将这些结果应用于行星室内设计表明,相图中的绝缘和导电层之间存在明显的边界

然而,这些最新努力面临着重大限制,将他们的发现造成了疑问。 “即使是最先进的方法也只能造型数百种氢原子,”博庆成在剑桥大学解释。 “由于我们之前被限制为使用这种小型系统尺寸,因此假设一阶转换。”

这些模拟的潜在问题是,随着更多原子的添加,由于量子相互作用的性质,它们的复杂性迅速增加。任何更大的模型都将远远超出当今最先进的超级计算机的能力。在一项新的研究中, 成和同事 在英国和瑞士已经从不同角度接近问题:这次使用机器学习 - 这可以建立复杂系统的模型“training”本身就是实际数据。

从量子力学学习

“用简单的士贝尔,我们利用机器学习技术”学习“来自量子力学的原子相互作用,”程解释。 “神经网络的输入是每个原子的位置,输出是他们经历的能量和力量。”这种方法急剧减少了所需的计算时间和成本;使团队能够在广泛的温度和压力范围内模拟超过1700个原子,并且接近一个纳秒。

在这些较大的模拟样本中,程的团队发现,随着以前的研究表明,在一个明确限定的边界上没有发生分子对原子转变。相反,随着压力升起,氢经历了平滑的变换。这发生了由于相图中的“临界点”,其中较高的温度和压力导致液体和金属之间的物理区别消失,是“隐藏的”。这意味着氢气绝缘和导电阶段之间的转化逐渐和连续地发生。

超临界行为

揭开这种“超临界”行为可能对我们对极端压力的氢相图的理解具有重大影响。由于Cheng描述了,她的团队的发现提供了更准确的了解氢星球内的氢气。 “在这些体内,绝缘和金属层在它们之间具有光滑的密度曲线,而不是突然变化,”她解释道。

除了对行星科学的影响之外,研究人员认为他们的结果强调了探索氢相图的机器学习的有希望的潜力。 “我们相信机器学习不仅会改变高压氢的建模方式,而且在计算物理学家的标准工具箱中,”程说。 “随着机器学习,我们可以使用数千个原子的纳秒模拟,第一个原则准确。这是十年前的最疯狂的梦想。“

John Proctor. 在萨尔福德大学,建议探索这项工作对行星室内设计的详细含义并不容易。 “[程同事]建议在氢气中没有一阶液体液体过渡,并且因此需要修改这一行星模型,”他评论。 “由于木星和土星的实际内部不包括纯氢气,它们是主要由氢气和氦气组成的流体混合物 - 许多进一步的工作需要充分探索这项工作对行星科学的影响。”

研究描述了 自然 .

版权©2021由IOP Publishing Ltd和个人贡献者