Les scientifiques du LLNL ont développé une nouvelle approche utilisant l'apprentissage automatique pour étudier avec une résolution sans précédent les comportements de phase de l'eau superionique trouvée dans les géants de glace Uranus et Neptune. Crédit :Laboratoire national Lawrence Livermore
Les intérieurs d'Uranus et de Neptune contiennent chacun environ 50 000 fois la quantité d'eau dans les océans de la Terre, et une forme d'eau connue sous le nom d'eau superionique est censée être stable à des profondeurs supérieures à environ un tiers du rayon de ces géantes de glace.
L'eau superionique est une phase de H
Les scientifiques du Lawrence Livermore National Laboratory (LLNL) ont développé une nouvelle approche utilisant l'apprentissage automatique pour étudier avec une résolution sans précédent les comportements de phase de l'eau superionique.
Enfoui au plus profond du noyau des planètes, une grande partie de l'eau dans l'univers peut être superionique et la compréhension de ses propriétés thermodynamiques et de transport est cruciale pour la science planétaire, mais difficile à sonder expérimentalement ou théoriquement.
Sous les pressions et les températures trouvées dans les planètes géantes de glace, La plupart de cette eau a été prédite par des simulations de dynamique moléculaire de premier principe (FPMD) comme étant dans une phase superionique. Cependant, de telles simulations de mécanique quantique se sont traditionnellement limitées à des temps de simulation courts (10 s de picosecondes) et à une petite taille de système (100 s d'atomes) conduisant à une incertitude significative quant à l'emplacement des limites de phase telles que la ligne de fusion.
Dans des expériences sur l'eau superionique, la préparation des échantillons est extrêmement difficile, les positions de l'hydrogène ne peuvent pas être déterminées et les mesures de température dans les expériences de compression dynamique ne sont pas simples. Souvent, les expériences bénéficient des conseils fournis par les simulations de dynamique moléculaire quantique à la fois pendant la phase de conception et pour l'interprétation des résultats.
Dans les recherches les plus récentes, l'équipe a fait un bond en avant dans sa capacité à traiter de grandes tailles de systèmes et des échelles de temps à long terme en utilisant des techniques d'apprentissage automatique pour apprendre les interactions atomiques à partir de calculs de mécanique quantique. Ils ont ensuite utilisé ce potentiel appris par machine pour piloter la dynamique moléculaire et permettre l'utilisation de méthodes avancées d'échantillonnage d'énergie libre pour déterminer avec précision les limites de phase.
« Nous utilisons des méthodes d'apprentissage automatique et d'énergie libre pour surmonter les limites des simulations de mécanique quantique, et caractériser la diffusion d'hydrogène, transitions superioniques et comportements de phase de l'eau dans des conditions extrêmes, " a déclaré le physicien LLNL Sébastien Hamel, co-auteur d'un article paru dans Physique de la nature .
L'équipe a découvert que les limites de phase, qui sont cohérents avec les observations expérimentales existantes, aider à résoudre les fractions de glace isolante, différentes phases superioniques et de l'eau liquide à l'intérieur des géantes de glace.
La construction de potentiels d'interaction efficaces qui conservent la précision des calculs de mécanique quantique est une tâche difficile. Le cadre qui a été développé ici est général et peut être utilisé pour découvrir et/ou caractériser d'autres matériaux complexes tels que les électrolytes de batterie, les plastiques et le diamant nanocristallin utilisés dans les capsules ICF ainsi que les nouvelles phases d'ammoniac, sels, hydrocarbures, silicates et mélanges apparentés pertinents pour la science planétaire.
"Notre compréhension quantitative de l'eau superionique met en lumière la structure intérieure, l'évolution et les champs magnétiques de planètes comme Uranus et Neptune et aussi du nombre croissant d'exoplanètes glacées, " dit Hamel.
Des chercheurs de l'Université de Cambridge, l'Université de Lyon et l'Université du Tohoku ont également contribué à l'article. La partie LLNL de la recherche est financée par le projet de recherche et développement dirigé par un laboratoire "Unraveling the Physics and Chemistry of low-Z Mixtures at Extreme Pressures and Temperatures" et le programme Institutional Computing Grand Challenge.