December 23, 2024

Simulatie met behulp van een machine learning-model voorspelt een nieuwe fase van vaste waterstof

Simulatie met behulp van een machine learning-model voorspelt een nieuwe fase van vaste waterstof

Dit artikel is beoordeeld volgens Science X’s bewerkingsproces
En Beleid.
Editors Benadruk de volgende kenmerken en zorg tegelijkertijd voor de geloofwaardigheid van de inhoud:

Feiten controleren

Peer-reviewed publicatie

vertrouwde bron

Proeflezen

fasen van vaste waterstof. Links is de goed bestudeerde gesloten hexagonale fase, terwijl rechts de nieuwe fase is die wordt voorspeld door de op machine learning gebaseerde simulaties van de auteurs. Afbeelding via Wesley Moore. Credits: Grainger College of Engineering, Universiteit van Illinois, Urbana-Champaign

Waterstof, het meest voorkomende element in het universum, wordt overal gevonden, van het stof dat het grootste deel van de ruimte vult tot de kernen van sterren tot veel materialen hier op aarde. Dit zou reden genoeg zijn om waterstof te bestuderen, maar de afzonderlijke atomen zijn ook het eenvoudigste element met slechts één proton en één elektron. Voor David Siberly, een professor in de natuurkunde aan de University of Illinois Urbana-Champaign, maakt dit waterstof tot het natuurlijke startpunt voor het formuleren en testen van theorieën over materie.

Siberly, die ook lid is van het Center for Quantum Information Science and Technology in Illinois, gebruikt computersimulaties om te bestuderen hoe waterstofatomen interageren en combineren om verschillende fasen van materie te vormen, zoals vaste stoffen, vloeistoffen en gassen. Een goed begrip van deze verschijnselen vereist echter kwantummechanica en kwantummechanische simulaties zijn duur. Om de taak te vereenvoudigen, ontwikkelden Siberly en zijn medewerkers een machine learning-techniek waarmee kwantummechanische simulaties kunnen worden uitgevoerd met een ongekend aantal atomen. Rapport in Fysieke beoordelingsbrieven Hun methode vond een nieuw type vaste waterstof onder hoge druk dat eerdere theorieën en experimenten hadden gemist.

“Machine learning blijkt ons veel te leren”, zegt Cibirli. “We hebben tekenen van nieuw gedrag gezien in eerdere simulaties, maar we vertrouwden ze niet omdat we maar een klein aantal atomen konden passen. Met ons machine learning-model kunnen we ten volle profiteren van nauwkeurigere methoden en uitzoeken wat er echt aan de hand.”

Waterstofatomen vormen een kwantummechanisch systeem, maar het vastleggen van hun volledige kwantumgedrag is zelfs voor computers buitengewoon moeilijk. State-of-the-art technologieën zoals quantum Monte Carlo (QMC) kunnen honderden atomen praktisch simuleren, terwijl het begrijpen van fasegedrag op grote schaal vereist dat duizenden atomen over een lange periode worden gesimuleerd.

Om de QMC diverser te maken, hebben twee voormalige afgestudeerde studenten, Hongwei Niu en Yubo Yang, een machine learning-model ontwikkeld dat is getraind met een gesimuleerde QMC die veel meer atomen kan vasthouden dan een QMC alleen. Vervolgens gebruikten ze het model met postdoctoraal onderzoeker Scott Jensen om te bestuderen hoe de vaste fase van waterstof die ontstaat bij zeer hoge drukken, smelt.

De drie scanden verschillende temperaturen en drukken om een ​​compleet beeld op te bouwen toen ze iets ongewoons opmerkten in de vaste fase. Terwijl moleculen in vaste waterstof meestal bijna bolvormig zijn en een configuratie vormen die dicht op elkaar gepakte zeshoeken wordt genoemd – die Siberly vergeleek met gestapelde sinaasappels – observeerden de onderzoekers een fase waarin de moleculen langwerpige vormen worden – die Siberly beschreef als lijkend op eieren.

“We begonnen met het niet zo ambitieuze doel om de theorie van iets dat we kennen te verbeteren”, herinnert Jensen zich. “Helaas, of misschien gelukkig, was het interessanter dan dat. Er was de opkomst van dit nieuwe gedrag. In feite was dit het dominante gedrag bij hogere temperaturen en drukken, iets waar in de oude theorie geen spoor van was.”

Om hun bevindingen te verifiëren, trainden de onderzoekers hun machine learning-model met behulp van gegevens uit de dichtheidsfunctionaaltheorie, een veelgebruikte techniek die minder nauwkeurig is dan QMC, maar die veel meer atomen kan herbergen. Ze ontdekten dat het vereenvoudigde machine learning-model de resultaten van de standaardtheorie perfect reproduceerde. De onderzoekers concludeerden dat grootschalige QMC-simulaties, mogelijk gemaakt door machine learning, effecten kunnen verklaren en voorspellingen kunnen doen die standaardtechnieken niet kunnen.

Dit werk bracht een gesprek op gang tussen de medewerkers van Ceperley en enkele onderzoekers. Hogedrukmetingen van waterstof zijn moeilijk uit te voeren, dus experimentele resultaten zijn beperkt. De nieuwe voorspelling heeft sommige groepen geïnspireerd om het probleem opnieuw te bekijken en het gedrag van waterstof onder extreme omstandigheden nauwkeuriger te onderzoeken.

Siberly merkte op dat het begrijpen van waterstof onder hoge temperaturen en drukken ons begrip van Jupiter en Saturnus, gasvormige planeten die voornamelijk uit waterstof bestaan, zal vergroten. Jensen voegde eraan toe dat de “eenvoud” van waterstof het materiaal belangrijk maakt om te bestuderen. “We willen alles begrijpen, dus we moeten beginnen met systemen die we kunnen aanvallen”, zei hij. “Waterstof is eenvoudig, dus het is de moeite waard om te weten dat we het aankunnen.”

meer informatie:
Hongwei Niu et al, Stabiele vaste moleculaire waterstof boven 900 K van een machinaal geleerd potentieel getraind met kwantumdiffusie Monte Carlo, Fysieke beoordelingsbrieven (2023). DOI: 10.1103/PhysRevLett.130.076102

Tijdschrift informatie:
Fysieke beoordelingsbrieven