Gli interni di Urano e Nettuno contengono ciascuno circa 50.000 volte la quantità di acqua negli oceani della Terra, e si ritiene che una forma di acqua nota come acqua superionica sia stabile a profondità superiori a circa un terzo del raggio di questi giganti di ghiaccio.
L'acqua superionica è una fase di H2O in cui gli atomi di idrogeno diventano simili a liquidi mentre gli atomi di ossigeno rimangono simili a solidi su un reticolo cristallino. Sebbene l'acqua superionica sia stata proposta oltre tre decenni fa, le sue proprietà ottiche e i reticoli di ossigeno sono stati misurati con precisione solo di recente e molte proprietà di questo caldo "ghiaccio nero" sono ancora inesplorate.
Gli scienziati del Lawrence Livermore National Laboratory (LLNL) hanno sviluppato un nuovo approccio utilizzando l'apprendimento automatico per studiare i comportamenti di fase dell'acqua superionica con una risoluzione senza precedenti. Sepolta in profondità all'interno del nucleo dei pianeti, gran parte dell'acqua nell'universo può essere superionica. Comprendere le sue proprietà termodinamiche e di trasporto è cruciale per la scienza planetaria, ma difficile da sondare sperimentalmente o teoricamente.
Sotto le pressioni e le temperature trovate nei pianeti giganti di ghiaccio, la maggior parte di quest'acqua è stata prevista dalle simulazioni di First-Principles Molecular Dynamics (FPMD) per essere in una fase superionica. Tuttavia, tali simulazioni quanto-meccaniche sono state tradizionalmente limitate a brevi tempi di simulazione (10 secondi di picosecondi) e piccole dimensioni del sistema (100 atomi), portando a una significativa incertezza nella posizione dei confini di fase come la linea di fusione.
Negli esperimenti sull'acqua superionica, la preparazione del campione è estremamente impegnativa: le posizioni dell'idrogeno non possono essere determinate e le misurazioni della temperatura negli esperimenti di compressione dinamica non sono semplici. Spesso gli esperimenti beneficiano della guida fornita dalle simulazioni dinamiche molecolari quantistiche sia in fase di progettazione che per l'interpretazione dei risultati.
Nella ricerca più recente, il team ha fatto un balzo in avanti nella sua capacità di trattare grandi dimensioni di sistemi e scale a lungo termine facendo uso di tecniche di apprendimento automatico per apprendere le interazioni atomiche dai calcoli della meccanica quantistica. Hanno quindi utilizzato quel potenziale appreso dalla macchina per guidare la dinamica molecolare e consentire l'uso di metodi avanzati di campionamento a energia libera per determinare con precisione i confini di fase.
"Usiamo l'apprendimento automatico e i metodi di energia libera per superare i limiti delle simulazioni meccaniche quantistiche e caratterizzare la diffusione dell'idrogeno, le transizioni superioniche e i comportamenti di fase dell'acqua in condizioni estreme", ha detto il fisico llnl Sebastien Hamel, co-autore di un articolo apparso su Nature Physics.
Il team ha scoperto che i confini di fase, che sono coerenti con le osservazioni sperimentali esistenti, aiutano a risolvere le frazioni di ghiaccio isolante, diverse fasi superioniche e acqua liquida all'interno dei giganti di ghiaccio.
La costruzione di potenziali di interazione efficaci che mantengano l'accuratezza dei calcoli di meccanica quantistica è un compito difficile. Il quadro che è stato sviluppato qui è generale e può essere utilizzato per scoprire e / o caratterizzare altri materiali complessi come elettroliti di batterie, plastica e diamante nanocristallino utilizzati nelle capsule di fusione a confinamento inerziale (ICF), nonché nuove fasi di ammoniaca, sali, idrocarburi, silicati e miscele correlate che sono rilevanti per la scienza planetaria.
"La nostra comprensione quantitativa dell'acqua superionica getta luce sulla struttura interna, l'evoluzione e i campi magnetici di pianeti come Urano e Nettuno e anche del crescente numero di esopianeti ghiacciati", ha detto Hamel.