健康教育网
廉价的机器学习潜力允许调查100至4000k的温度的氢相转变，并且在25至400种千兆卡斯的压力之间，具有趋同的模拟尺寸和时间。
氢原子与单个电子的单个质子，可同步是那里的最简单的材料。尽管如此，元素氢可以表现出极其复杂的行为 - 例如，在梅格巴尔压力下，它经历过渡到金属导电流体的过渡流体。
虽然过渡令人着迷于凝聚物物理和材料科学 - 液体液相转型的观点源于较为不寻常 - 它对行星科学的影响也有重大影响，因为液体氢弥补了木星等巨星内部和土星以及棕色矮星。理解液体液体转变是准确地建模这种行星的结构和演化的中心部分，并且标准模型通常在绝缘分子流体和导电金属流体之间采用急剧转变。这种急剧的过渡与密度的不连续性相关，因此在这些行星中的内金属地幔和外绝缘罩之间的透明边界。
虽然科学家们已经做出了相当大的努力来探索和表征这种过渡以及致密的氢气的许多不寻常的性质 - 包括富含和较差的固体多态性，异常熔化线，以及对超导状态的可能过渡，因为需要复杂化在测量期间创造可控高压和温度环境以及限制氢。实验研究尚未达到与过渡是否突然或平滑，不同的实验已经定位液体液体过渡，该压力与较多100只千兆卡斯卡尔分开。
“你需要能够做到能够在木星上发现的相同压力范围内的实验，所以可以高度琐碎，”Ceriotti说。“由于约束，已经进行了许多不同的实验，结果彼此非常不同。”
虽然在过去十年中推出的建模技术使科学家更好地了解系统，但基本上求解氢原子行为的量子力学问题所涉及的巨大计算费用意味着这些模拟随着时间的推移必须限制几个皮秒，以及一个只有几百个原子的范围。这里的结果也混合了。
为了更彻底地审视问题，在IBM Research Zurich在剑桥大学和Guglielmo Mazzola的Ceriotti及其同事们使用了人工神经网络架构来构建机器学习潜力。基于少数非常精确的（和耗时）计算电子结构问题，廉价的机器学习潜力允许调查氢相转变为100至4000K之间的温度，以及25至400种Gigapascals之间的压力，具有融合模拟大小和时间。模拟，大多数在Scitas的EPFL计算机上运行，只有几周时间，而CPU时间有100多个数百万的时间，这将采用传统模拟来解决Quantum机械问题。
由此产生的致密氢相图的理论研究使团队再现重新进入熔化行为和固相的多态性。基于机器学习电位的仿真表明，与氢经历一阶相转变的常见假设相反，液体中连续金属化的证据。这反过来不仅表明巨型气体行星中的绝缘和金属层之间的平滑过渡，它还调解实验室和建模实验之间存在的存在差异。
“如果高压氢超临界，因为我们的仿真表明，流体的所有性质都没有突然跳跃，”Ceriotti说。“根据您探测的确切属性，以及定义阈值的方式，您可以在不同的温度或压力下进行过渡。这可以协调高压实验的十年争议结果。不同的实验已经测量了略有不同的东西，并且他们并没有能够在同一点识别过渡，因为没有急剧过渡。“
在核对结果与一些早期的建模中，确实确定了一个急剧的过渡，Ceriotti表示，在进行小型模拟时，它们只能观察到性质的清晰跳跃，并且在这些情况下，他们可以追踪跳转到凝固，相反而不是液体液体过渡。然后，观察到的急剧转换应该被理解为基于传统物理学建模使用模拟的局限的伪影。机器学习方法允许研究人员运行通常在4到10倍之间的模拟，较长的几次。这使它们更好地概述了整个过程。
Ceriotti表示，虽然它被应用于与行星科学相关的问题，但相同的技术可以应用于材料科学或化学的任何问题。
“这是一种技术的演示，允许模拟才能进入一个无法达到的政权，”Ceriotti说。“我们可以用来了解的相同技术，更好的行星行为也可用于设计更好的药物或更多的性能。真的有可能对我们了解每天的行为的模拟驱动的变化，以及异国情调。“
参考：Bingqing Cheng，Guglielmo Mazzola，Chris J. Pickard和Michele Ceriotti，9月20日，Nature.Doi：
10.1038 / s41586-020-2677-y
