Vea También
Los interiores de Urano y Neptuno contienen cada uno unas 50 000 veces la cantidad de agua de los océanos de la Tierra, y se cree que una forma de agua conocida como agua superiónica es estable a profundidades superiores a un tercio del radio de estos gigantes de hielo.
El agua superiónica es una fase del H2O en la que los átomos de hidrógeno se vuelven líquidos y los de oxígeno permanecen sólidos en una red cristalina. Aunque el agua superiónica se propuso hace más de tres décadas, sus propiedades ópticas y las retículas de oxígeno sólo se han medido con precisión recientemente en experimentos realizados por Marius Millot y Federica Coppari, del LLNL, y muchas propiedades de este "hielo negro" caliente siguen sin conocerse.
Los científicos del Laboratorio Nacional Lawrence Livermore (LLNL) han desarrollado un nuevo enfoque utilizando el aprendizaje automático para estudiar con una resolución sin precedentes los comportamientos de fase del agua superiónica.
Enterrada en las profundidades del núcleo de los planetas, gran parte del agua del universo puede ser superiónica y entender sus propiedades termodinámicas y de transporte es crucial para la ciencia planetaria, pero es difícil de sondear experimental o teóricamente.
Bajo las presiones y temperaturas encontradas en los planetas gigantes de hielo, la mayor parte de esta agua se predijo mediante simulaciones de Dinámica Molecular de Primeros Principios (FPMD) para estar en una fase superiónica. Sin embargo, este tipo de simulaciones mecánicas cuánticas se han limitado tradicionalmente a tiempos de simulación cortos (10s de picosegundos) y a un tamaño de sistema pequeño (100s de átomos), lo que ha llevado a una incertidumbre significativa en la localización de los límites de fase, como la línea de fusión.
En los experimentos con agua superiónica, la preparación de la muestra es extremadamente difícil, las posiciones del hidrógeno no pueden determinarse y las mediciones de la temperatura en los experimentos de compresión dinámica no son sencillas. A menudo, los experimentos se benefician de la orientación proporcionada por las simulaciones de dinámica molecular cuántica, tanto durante la fase de diseño como para la interpretación de los resultados.
En la investigación más reciente, el equipo dio un salto adelante en su capacidad para tratar sistemas de gran tamaño y escalas de tiempo largas, utilizando técnicas de aprendizaje automático para aprender las interacciones atómicas a partir de cálculos de mecánica cuántica. A continuación, utilizaron ese potencial aprendido por la máquina para dirigir la dinámica molecular y permitir el uso de métodos avanzados de muestreo de energía libre para determinar con precisión los límites de fase.
"Utilizamos métodos de aprendizaje automático y de energía libre para superar las limitaciones de las simulaciones mecánicas cuánticas y caracterizar la diffusión de hidrógeno, las transiciones superiónicas y los comportamientos de fase del agua en condiciones extremas", dijo el físico del LLNL Sebastien Hamel, coautor de un artículo que aparece en Nature Physics.
El equipo descubrió que los límites de fase, que son coherentes con las observaciones experimentales existentes, ayudan a resolver las fracciones de hielo aislante, las fases superiónicas differentes y el agua líquida dentro de los gigantes de hielo.
La construcción de potenciales de interacción efectivos que conserven la precisión de los cálculos de mecánica cuántica es una tarea difícil. El marco que se ha desarrollado aquí es general y puede utilizarse para descubrir y/o caracterizar otros materiales complejos, como los electrolitos de las baterías, los plásticos y el diamante nanocristalino utilizado en las cápsulas ICF, así como nuevas fases de amoníaco, sales, hidrocarburos, silicatos y mezclas relacionadas que son relevantes para la ciencia planetaria.
"Nuestra comprensión cuantitativa del agua superiónica arroja luz sobre la estructura interior, la evolución y los campos magnéticos de planetas como Urano y Neptuno y también del creciente número de exoplanetas helados", dijo Hamel.
Investigadores de la Universidad de Cambridge, la Universidad de Lyon y la Universidad de Tohoku también han contribuido al trabajo. La parte de la investigación realizada por el LLNL está financiada por el proyecto de Investigación y Desarrollo Dirigido por el Laboratorio "Desentrañar la física y la química de las mezclas de baja Z a presiones y temperaturas extremas" y el programa Institutional Computing Grand Challenge.
Fuentes, créditos y referencias:
Cheng, B. et al. Phase behaviours of superionic water at planetary conditions. Nat. Phys. (2021). doi.org/10.1038/s41567-021-01334-9
Imágen: Los científicos del LLNL han desarrollado un nuevo enfoque utilizando el aprendizaje automático para estudiar con una resolución sin precedentes los comportamientos de fase del agua superiónica que se encuentra en los gigantes de hielo Urano y Neptuno. Crédito: Lawrence Livermore National Laboratory