Внутри Урана и Нептуна содержится примерно в 50 000 раз больше воды в океанах Земли, и считается, что форма воды, известная как суперионная вода, залегает на глубинах, превышающих примерно одну треть радиуса этих ледяных гигантов.

Суперионная вода — это фаза H2O, в которой атомы водорода становятся жидкими, а атомы кислорода остаются твердыми на кристаллической решетке. Хотя суперионная вода была предложена более трех десятилетий назад, ее оптические свойства и кислородные решетки были точно измерены только недавно, и многие свойства этого горячего "черного льда" до сих пор не изучены.

Ученые из Ливерморской национальной лаборатории Лоуренса (LLNL) разработали новый подход с использованием машинного обучения для изучения фазового поведения суперионной воды с беспрецедентным разрешением. Понимание его термодинамических и транспортных свойств имеет решающее значение для планетологии, но ее сложно исследовать экспериментально или теоретически.

Под давлением и температурами, обнаруженными на планетах-ледяных гигантах, большая часть этой воды, согласно расчетам из первых принципов молекулярной динамики (FPMD), находится в суперионной фазе. Однако такое квантово-механическое моделирование традиционно ограничивалось коротким временем симуляции (десятки пикосекунд) и небольшим размером системы (сотни атомов), что приводило к значительной неопределенности в расположении фазовых границ, таких как линия плавления.  

В экспериментах с суперионной водой подготовка образцов является чрезвычайно сложной задачей: невозможно определить положение водорода, а измерения температуры в экспериментах по динамическому сжатию не являются простыми задачами. Часто эксперименты выигрывают от руководства, обеспечиваемого квантовым молекулярно-динамическим моделированием, как на этапе проектирования, так и для интерпретации результатов. 

В самом последнем исследовании команда сделала скачок в своей способности обрабатывать большие размеры систем и долгосрочные масштабы, используя методы машинного обучения для изучения атомных взаимодействий на основе квантово-механических расчетов. Затем они использовали этот потенциал машинного обучения для управления молекулярной динамикой и позволили использовать передовые методы отбора проб свободной энергии для точного определения фазовых границ.

Команда обнаружила, что фазовые границы, которые согласуются с существующими экспериментальными наблюдениями, помогают определить доли изолирующего льда, различных суперионных фаз и жидкой воды внутри ледяных гигантов.

Построение эффективных потенциалов взаимодействия, сохраняющих точность квантово-механических расчетов, является сложной задачей. Разработанная здесь структура является общей и может быть использована для обнаружения и/или характеристики других сложных материалов, таких как аккумуляторные электролиты, пластмассы и нанокристаллический алмаз, используемые в капсулах для инерционного термоядерного синтеза (ICF), а также новых фаз аммиака, солей, углеводородов и многих других.