Het binnenste van Uranus en Neptunus bevat elk ongeveer 50 000 keer de hoeveelheid water in de oceanen van de aarde, en een vorm van water die bekend staat als superionisch water wordt verondersteld stabiel te zijn op diepten die groter zijn dan ongeveer een derde van de straal van deze ijsreuzen.

Superionisch water is een fase van H ₂ O waar waterstofatomen vloeibaar worden, terwijl zuurstofatomen vast blijven op een kristalrooster. Hoewel superionisch water meer dan drie decennia geleden werd voorgesteld, de optische eigenschappen en zuurstofroosters werden pas recentelijk nauwkeurig gemeten in experimenten door LLNL's Marius Millot en Federica Coppari, en veel eigenschappen van dit hete "zwarte ijs" zijn nog niet in kaart gebracht.

Wetenschappers van Lawrence Livermore National Laboratory (LLNL) hebben een nieuwe benadering ontwikkeld met behulp van machine learning om met ongekende resolutie het fasegedrag van superionisch water te bestuderen.

Diep begraven in de kern van planeten, een groot deel van het water in het universum kan superionisch zijn en het begrijpen van de thermodynamische en transporteigenschappen ervan is cruciaal voor planetaire wetenschap, maar moeilijk experimenteel of theoretisch te onderzoeken.

Onder de druk en temperaturen gevonden in ijsreuzenplaneten, het grootste deel van dit water werd voorspeld door First-Principles Molecular Dynamics (FPMD) -simulaties om zich in een superionische fase te bevinden. Echter, dergelijke kwantummechanische simulaties zijn traditioneel beperkt tot korte simulatietijden (10 sec. picoseconden) en kleine systeemgroottes (100 sec. atomen), wat leidt tot aanzienlijke onzekerheid in de locatie van fasegrenzen zoals de smeltlijn.

In experimenten met superionisch water, monstervoorbereiding is uiterst uitdagend, waterstofposities kunnen niet worden bepaald en temperatuurmetingen in dynamische compressie-experimenten zijn niet eenvoudig. Vaak profiteren de experimenten van de begeleiding die wordt geboden door kwantummoleculaire dynamische simulaties, zowel tijdens de ontwerpfase als voor de interpretatie van de resultaten.

In het meest recente onderzoek het team maakte een sprong voorwaarts in zijn vermogen om grote systeemgroottes en langdurige schalen te behandelen door gebruik te maken van machine learning-technieken om de atomaire interacties van kwantummechanische berekeningen te leren. Vervolgens gebruikten ze dat door de machine geleerde potentieel om de moleculaire dynamica aan te sturen en het gebruik van geavanceerde vrije-energiebemonsteringsmethoden mogelijk te maken om de fasegrenzen nauwkeurig te bepalen.

"We gebruiken machinaal leren en vrije-energiemethoden om de beperkingen van kwantummechanische simulaties te overwinnen, en karakteriseren waterstof diffusie, superionische overgangen en fasegedrag van water onder extreme omstandigheden, " zei LLNL-natuurkundige Sebastien Hamel, een co-auteur van een artikel dat verschijnt in Natuurfysica .

Het team ontdekte dat fasegrenzen, die consistent zijn met de bestaande experimentele waarnemingen, helpen bij het oplossen van de fracties van isolerend ijs, verschillende superionische fasen en vloeibaar water in ijsreuzen.

De constructie van effectieve interactiepotentialen die de nauwkeurigheid van kwantummechanische berekeningen behouden, is een moeilijke taak. Het hier ontwikkelde raamwerk is algemeen en kan worden gebruikt om andere complexe materialen te ontdekken en/of te karakteriseren zoals batterijelektrolyten, kunststoffen en nanokristallijne diamant die worden gebruikt in ICF-capsules, evenals nieuwe fasen van ammoniak, zouten, koolwaterstoffen, silicaten en aanverwante mengsels die relevant zijn voor de planetaire wetenschap.

"Ons kwantitatief begrip van superionisch water werpt licht op de interne structuur, evolutie en magnetische velden van planeten zoals Uranus en Neptunus en ook van het toenemende aantal ijzige exoplaneten, ' zei Hamel.

Onderzoekers van de Universiteit van Cambridge, de Universiteit van Lyon en Tohoku University hebben ook bijgedragen aan het papier. Het LLNL-gedeelte van het onderzoek wordt gefinancierd door het Laboratory Directed Research and Development-project "Unraveling the Physics and Chemistry of low-Z Mixtures at Extreme Pressures and Temperatures" en het Institutional Computing Grand Challenge-programma.