固体氢预测的新阶段

氢,宇宙中最丰富的元素,是随处可见的灰尘填充最外层空间的恒星的核心对许多物质在地球上。这将是足够的理由来研究氢,但其单个原子也最简单的任何元素只有一个质子和一个电子。大卫Ceperley,伊利诺伊大学香槟分校的物理学教授这使得氢自然起点制定和测试的理论问题。

Ceperley,伊利诺斯州的一个成员量子信息科学和技术中心,利用计算机模拟来研究氢原子和结合形成的不同阶段物质相互作用像固体,液体和气体。然而,一个真正理解这些现象需要量子力学和量子力学模拟是昂贵的。为了简化任务,Ceperley和他的同事发明了一种机器学习技术,允许量子力学模拟和空前数量的原子被执行。他们发表在物理评论快报他们的方法发现一种新型的高压固体氢错过了过去的理论和实验。

“机器学习教会我们很多,“Ceperley说。“我们已经看到新行为的迹象在我们之前的模拟,但我们不相信他们,因为我们只能容纳少量原子。与我们的机器学习模型,我们可以充分利用最准确的方法,看看到底发生了什么。”

氢原子形成量子力学系统,但捕捉他们的完整的量子行为是非常困难的甚至在电脑上。先进的技术如量子蒙特卡罗(QMC)能够真正地模拟数百原子,而理解大规模阶段行为需要模拟成千上万的原子在很长一段时间。

使QMC更多才多艺,两位前研究生,宏伟妞妞Yubo杨,发明了一种机器学习模型训练与QMC模拟能够容纳更多的原子比QMC本身。然后利用模型与博士后副研究员斯科特·延森研究氢的固相形成融化在非常高的压力。

他们三个测量不同的温度和压力来形成一个完整的图片时,他们注意到一些不寻常的固相。分子在固体氢通常close-to-spherical和形成一个配置称为六角密packed-Ceperley相比它堆叠oranges-the研究者观察到一个新阶段,分子成为椭圆形figures-Ceperley形容他们的鸡蛋。

“我们开始精炼的not-too-ambitious目标的理论我们知道,”詹森回忆道。“不幸的是,或许幸运的是,它是比这更有趣的。有这个新行为出现。事实上,这是占主导地位的行为在高温和压力,没有提示在旧理论的东西。”

来验证他们的研究结果,研究人员训练他们的机器学习模型与数据密度泛函理论,一种广泛使用的技术不如QMC准确,但可以容纳更多的原子。他们发现简化机器学习模型完全复制标准理论的结果。研究人员得出结论,他们的大规模、机器learning-assisted QMC模拟可以占效果和标准技术不能作出预测。

这项工作已经开始Ceperley的合作者之间的谈话和一些实验。高压氢的测量难以执行,所以实验结果是有限的。新的预测激发了一些组织重新考虑这个问题,更仔细地探索氢在极端条件下的行为。

Ceperley指出,理解氢在高温和压力下将加强我们对木星和土星的理解,气态行星主要是由氢。延森说,氢的“简单”使物质重要的研究。“我们想知道一切,所以我们应该从系统,我们可以开始攻击,”他说。“氢是简单的,所以值得知道我们可以处理它。”

参考:妞妞H,杨Y, Holzmann Jensen S, M, Pierleoni C, Ceperley DM。稳定的固体氢分子900 K以上machine-learned潜在训练量子蒙特卡罗扩散。物理评论列托人。2023年,130 (7):076102。doi:10.1103 / PhysRevLett.130.076102

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。