LLNL科學家使用機器學習研究冰巨星中“超離子水”的行為

2021-09-30 14:14:16來源：cnBeta 關鍵詞：機器學習機器學習技術閱讀量：22911

導讀：LLNL的科學家們開發了一種新的方法，使用機器學習以從沒有過的分辨率研究“超離子水”的相行為。

　　據外媒報道，天王星和海王星的內部所含水量大約是地球海洋的5萬倍，一種被稱為“超離子水”的水被認為穩定存在于超過天王星和海王星半徑約三分之一處的深度中。超離子水是水的一個階段，其中氫原子變成液態，而氧原子在晶格上保持固態。盡管超離子(superionic)態在30多年前就被提出來了，但它的光學特性和氧晶格只是在最近由勞倫斯利弗莫爾國家實驗室(LLNL)的Marius Millot和Federica Coppari在實驗中精確測量的，這種熱“黑冰”的許多特性仍然是未知的。

　　LLNL的科學家們開發了一種新的方法，使用機器學習以從沒有過的分辨率研究“超離子水”的相行為?？茖W家稱，埋藏在行星核心深處的，宇宙中的大部分水可能是“超離子水”。了解它的熱力學和傳輸特性對行星科學至關重要，但卻很難通過實驗或理論來探測。

　　在冰巨星行星中發現的壓力和溫度下，第一原理分子動力學(FPMD)模擬預測這種水的大部分處于超離子態。然而，這種量子力學模擬傳統上僅限于較短的模擬時間(10幾皮秒)和較小的系統規模(100多個原子)，導致相界位置的重大不確定性，如熔化線。

　　在超離子水的實驗中，樣品的準備是非常具有挑戰性的：氫的位置無法確定，動態壓縮實驗中的溫度測量也不直接。通常情況下，實驗在設計階段和解釋結果時都會受益于量子分子動力學模擬提供的指導。

　　在最近的研究中，該團隊通過利用機器學習技術從量子力學計算中學習原子相互作用，在處理大系統規模和長時間尺度的能力上取得了飛躍。然后，他們使用該機器學習的潛力來驅動分子動力學，并使前沿的自由能采樣方法得以使用，以準確確定相界。

　　LLNL物理學家Sebastien Hamel說：“我們使用機器學習和自由能方法來克服量子力學模擬的局限性，并描述極端條件下水的氫擴散、超離子過渡和水在極端條件下的相行為，”他是發表在《自然-物理學》上的論文的共同作者。

　　研究小組發現，與現有實驗觀測結果一致的相界有助于解決冰巨星內部的絕緣冰、不同的超離子相和液態水的比例。

　　構建有效的相互作用勢，保持量子力學計算的準確性是一項艱巨的任務。這里開發的框架是通用的，可以用來發現或描述其他復雜的材料，如電池電解質、塑料、慣性約束聚變(ICF)膠囊中使用的納米晶金剛石，以及與行星科學有關的氨、鹽、碳氫化合物、硅酸鹽和相關混合物的新相。

　　Hamel說：“我們對超離子水的定量理解為天王星和海王星等行星的內部結構、演變和磁場以及越來越多的冰冷系外行星提供了啟示。”

　　(原標題：LLNL科學家使用機器學習研究冰巨星中“超離子水”的行為)

上一篇：美國科學家首次造出雙層硼烯材料!

下一篇：未來幾年，邊緣計算有可能會取代云計算嗎？

我要評論

昵稱

匿名

文明上網，理性發言。（您還可以輸入200個字符)

表情

所有評論僅代表網友意見，與本站立場無關。

企業為何走向智能自動化？機器學習給出了答案
機器學習驅動的流程自動化正在重塑這一格局。早期自動化主要基于規則引擎，通過預設條件觸發固定操作，在結構穩定、場景可預測的任務中表現良好。
機器學習流程自動化
2026-01-27 11:50:06
人工智能和機器學習如何塑造物聯網安全的未來
人工智能和機器學習系統在模式分析、異常檢測和實時決策方面表現出色。這些對于紛繁復雜且不斷擴展的物聯網生態系統而言，都是優勢所在。
人工智能機器學習物聯網安全
2025-08-04 10:39:11
人工智能和機器學習在工業自動化中的作用
人工智能(AI)和機器學習(ML)正在推動工業自動化的范式轉變，使制造流程更智能、更快速、更高效。預計工業自動化市場規模將從2023年的2056.3億美元增長到2031年的4274.2億美元。
人工智能機器學習工業自動化
2025-06-03 10:33:09
計算機視覺與機器學習的創新浪潮：開啟智能未來
在這個快速發展的時代，計算機視覺和機器學習的進步正在改變我們與世界互動的方式。未來，隨著技術的不斷成熟和創新，計算機視覺和機器學習系統將變得更加智能、高效和可靠。
計算機視覺機器學習
2025-05-22 09:19:46
未來最值得關注的人工智能和機器學習趨勢是什么？
人工智能和機器學習社區最緊迫的問題之一是道德人工智能系統的開發和實施。隨著人工智能技術在我們生活中變得越來越普遍，確保負責任地設計和部署這些系統至關重要。
人工智能機器學習
2024-12-23 11:21:00
2025年大數據分析：未來趨勢及技術展望
本文將預測2025年的大數據分析趨勢，并找到數據分析中最合適的工具、企業和新興趨勢，從而塑造未來。
大數據機器學習
2024-07-29 09:55:05

版權與免責聲明：

凡本站注明“來源：智能制造網”的所有作品，均為浙江興旺寶明通網絡有限公司-智能制造網合法擁有版權或有權使用的作品，未經本站授權不得轉載、摘編或利用其它方式使用上述作品。已經本網授權使用作品的，應在授權范圍內使用，并注明“來源：智能制造網”。違反上述聲明者，本站將追究其相關法律責任。

本站轉載并注明自其它來源（非智能制造網）的作品，目的在于傳遞更多信息，并不代表本站贊同其觀點或和對其真實性負責，不承擔此類作品侵權行為的直接責任及連帶責任。如其他媒體、平臺或個人從本站轉載時，必須保留本站注明的作品第一來源，并自負版權等法律責任。如擅自篡改為“稿件來源：智能制造網”，本站將依法追究責任。

鑒于本站稿件來源廣泛、數量較多，如涉及作品內容、版權等問題，請與本站聯系并提供相關證明材料：聯系電話：0571-89719789；郵箱：1271141964@qq.com。