Varför är vattentätheten cirka 4 grader Celsius? Varför flyter is? Varför har tungt vatten en annan smältpunkt jämfört med normalt vatten? Varför har snöflingor en sexfaldig symmetri? En samarbetsstudie, ledd av forskare i EPFL och just publicerat i Förfaranden från National Academy of Sciences , ger fysisk insikt i dessa frågor genom att gifta sig med datadrivna maskininlärningstekniker och kvantmekanik.

Byggstenarna för de mest observerbara ämnena är elektroner och kärnor. Efter kvantmekanikens lagar, deras beteende kan beskrivas i termer av deras vågfunktion, typ av ett diffust moln som är relaterat till sannolikheten att observera dem vid en viss tidpunkt. Genom att lösa Schrodinger -ekvationen, det är möjligt att göra modeller och förutsägelser av vilket material som helst, inklusive vatten. Men det finns en fångst. När antalet elektroner och kärnor ökar, komplexiteten som blir involverad blir snart svårlöslig, även med de snabbaste superdatorer, trots ett sekel av berömda framsteg när det gäller att optimera sådana beräkningar. Faktiskt, kvantmekaniska beräkningar är fortfarande oöverkomliga för system med mer än några hundra atomer, eller under en längre tid än en nanosekund.

För att övervinna dessa hårda begränsningar, forskarna utnyttjade ett artificiellt neuralt nätverk (ANN) för att lära sig atomiska interaktioner från kvantmekanik. ANN -arkitekturen kan representeras som flera lager av sammankopplade noder som efterliknar strukturen hos neuronerna i en mänsklig hjärna. ANN lär sig först kvantmekaniska interaktioner mellan atomer, och gör sedan snabba förutsägelser om energin och krafterna för ett atomsystem, kringgå behovet av att utföra dyra kvantmekaniska beräkningar.

Än så länge, det hela låter snarare som bara ännu en framgångssaga om maskininlärning. Dock, det finns finesser. ANN har ett kvarvarande fel jämfört med de faktiska kvantmekaniska beräkningarna:För det mesta, det introducerar en liten mängd buller, och ibland gör det en vild gissning - detta händer när en ingång skiljer sig mycket från allt som den redan har lärt sig.

Hur man undviker fallgroparna i ANN:I stället för att använda ANN på egen hand för att göra förutsägelser om ett system av atomer, forskarna använde det som en surrogatmodell. I huvudsak, beräkningsegenskaper för material vid en begränsad temperatur involverar vanligtvis många beräkningssteg, och de mödosamma och repetitiva delarna kan delegeras till den billiga surrogatmodellen. Till sist, skillnaden mellan surrogat och grundsanning, vilket är skillnaden mellan ANN och kvantmekaniken, kan redovisas och subtraheras från de slutliga förutsägelserna.

Med dessa tekniker, forskarna kunde reproducera flera termodynamiska egenskaper hos vatten från kvantmekanik, inklusive densiteten av is och vatten, skillnaden i smälttemperatur för normalt och tungt vatten, och stabiliteten hos olika former av is. Dessutom, studien avslöjar flera fysiska insikter om vad som ger is- och vattensystem deras särdrag. Ett av de mest anmärkningsvärda fynden är att kärnkvantfluktuationer, som involverar tendensen för ljuselement som väte att bete sig mer som ett diffust moln snarare än en lokaliserad partikel, främja sexkantig packning av molekyler inuti is, vilket i slutändan leder till snöflingornas sexfaldiga symmetri.