Uranus och Neptunus inre innehåller vardera cirka 50 000 gånger mängden vatten i jordens hav, och en form av vatten som kallas superioniskt vatten tros vara stabil på djup större än ungefär en tredjedel av radien för dessa isjättar.

Superioniskt vatten är en fas av H ₂ O där väteatomer blir vätskeliknande medan syreatomer förblir fastliknande på ett kristallint gitter. Även om superioniskt vatten föreslogs för över tre decennier sedan, dess optiska egenskaper och syregitter mättes först nyligen exakt i experiment av LLNL:s Marius Millot och Federica Coppari, och många egenskaper hos denna heta "svarta is" är fortfarande okända.

Forskare från Lawrence Livermore National Laboratory (LLNL) har utvecklat ett nytt tillvägagångssätt med hjälp av maskininlärning för att med oöverträffad upplösning studera fasbeteendet hos superioniskt vatten.

Begravd djupt i kärnan av planeter, mycket av vattnet i universum kan vara superioniskt och att förstå dess termodynamiska och transportegenskaper är avgörande för planetvetenskapen men svårt att undersöka experimentellt eller teoretiskt.

Under de tryck och temperaturer som finns på isgigantiska planeter, det mesta av detta vatten förutspåddes av First-Principles Molecular Dynamics (FPMD)-simuleringar att vara i en superionisk fas. Dock, sådana kvantmekaniska simuleringar har traditionellt varit begränsade till korta simuleringstider (10 s pikosekunder) och liten systemstorlek (100 s atomer) vilket leder till betydande osäkerhet i lokaliseringen av fasgränser såsom smältlinjen.

I experiment på superioniskt vatten, provförberedelser är extremt utmanande, vätepositioner kan inte bestämmas och temperaturmätningar i dynamiska kompressionsexperiment är inte okomplicerade. Ofta drar experimenten nytta av vägledningen från kvantmolekylära dynamiska simuleringar både under designstadiet och för tolkningen av resultaten.

I den senaste forskningen, teamet tog ett steg framåt i sin förmåga att behandla stora systemstorlekar och långtidsskalor genom att använda sig av maskininlärningstekniker för att lära sig de atomära interaktionerna från kvantmekaniska beräkningar. De använde sedan den maskininlärda potentialen för att driva den molekylära dynamiken och möjliggöra användningen av avancerade metoder för fri energiprovtagning för att exakt bestämma fasgränserna.

"Vi använder maskininlärning och gratis energimetoder för att övervinna begränsningarna med kvantmekaniska simuleringar, och karakterisera vätediffusion, superioniska övergångar och fasbeteenden hos vatten vid extrema förhållanden, " sa LLNL fysiker Sebastien Hamel, en medförfattare till en tidning som förekommer i Naturfysik .

Teamet fann att fasgränser, som överensstämmer med befintliga experimentella observationer, hjälpa till att lösa upp fraktionerna av isolerande is, olika superjonfaser och flytande vatten inuti isjättar.

Konstruktionen av effektiva interaktionspotentialer som bibehåller noggrannheten hos kvantmekaniska beräkningar är en svår uppgift. Ramverket som utvecklades här är generellt och kan användas för att upptäcka och/eller karakterisera andra komplexa material som batterielektrolyter, plast och nanokristallin diamant som används i ICF-kapslar samt nya faser av ammoniak, salter, kolväten, silikater och relaterade blandningar som är relevanta för planetvetenskapen.

"Vår kvantitativa förståelse av superioniskt vatten kastar ljus in i den inre strukturen, evolution och magnetfält hos planeter som Uranus och Neptunus och även av det ökande antalet isiga exoplaneter, sa Hamel.

Forskare från University of Cambridge, University of Lyon och Tohoku University bidrog också till tidningen. LLNL-delen av forskningen finansieras av Laboratory Directed Research and Development-projektet "Unraveling the Physics and Chemistry of low-Z Mixtures at Extreme Pressures and Temperatures" och Institutional Computing Grand Challenge-programmet.