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 aproximadamente un tercio del radio de estos gigantes de hielo.

El agua superiónica es una fase de H ₂ O donde los átomos de hidrógeno se vuelven líquidos mientras que los átomos de oxígeno permanecen sólidos en una red cristalina. Aunque el agua superiónica se propuso hace más de tres décadas, sus propiedades ópticas y las redes de oxígeno solo se midieron con precisión recientemente en experimentos de Marius Millot y Federica Coppari de LLNL, y muchas propiedades de este "hielo negro" caliente aún no se han explorado.

Los científicos del Laboratorio Nacional Lawrence Livermore (LLNL) han desarrollado un nuevo enfoque que utiliza el aprendizaje automático para estudiar con una resolución sin precedentes los comportamientos de fase del agua superiónica.

Enterrado en lo profundo del núcleo de los planetas, gran parte del agua en el universo puede ser superiónica y comprender sus propiedades termodinámicas y de transporte es crucial para la ciencia planetaria, pero es difícil de probar experimental o teóricamente.

Bajo las presiones y temperaturas que se encuentran en los planetas gigantes de hielo, La mayor parte de esta agua fue predicha por simulaciones de Dinámica Molecular de Primeros Principios (FPMD) para estar en una fase superiónica. Sin embargo, Estas simulaciones de mecánica cuántica se han limitado tradicionalmente a tiempos de simulación cortos (decenas de picosegundos) y un tamaño de sistema pequeño (cientos de átomos), lo que genera una incertidumbre significativa en la ubicación de los límites de fase, como la línea de fusión.

En experimentos con agua superiónica, la preparación de la muestra es extremadamente desafiante, Las posiciones del hidrógeno no se pueden determinar y las mediciones de temperatura en los experimentos de compresión dinámica no son sencillas. A menudo, los experimentos se benefician de la orientación proporcionada por las simulaciones dinámicas moleculares cuánticas tanto durante la etapa 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 prolongado mediante el uso de técnicas de aprendizaje automático para aprender las interacciones atómicas a partir de cálculos mecánicos cuánticos. Luego utilizaron ese potencial de aprendizaje automático para impulsar la dinámica molecular y permitir el uso de métodos avanzados de muestreo de energía libre para determinar con precisión los límites de fase.

"Utilizamos el aprendizaje automático y los métodos de energía libre para superar las limitaciones de las simulaciones de la mecánica cuántica, y caracterizar la difusión de hidrógeno, transiciones superiónicas y comportamientos de fase del agua en condiciones extremas, "dijo el físico de LLNL Sebastien Hamel, un coautor de un artículo que aparece en Física de la naturaleza .

El equipo descubrió que los límites de fase, que sean consistentes con las observaciones experimentales existentes, ayudar a resolver las fracciones de hielo aislante, Diferentes fases superiónicas y agua líquida dentro de gigantes de hielo.

La construcción de potenciales de interacción efectivos que conserven la precisión de los cálculos de la mecánica cuántica es una tarea difícil. El marco que se desarrolló aquí es general y se puede utilizar para descubrir y / o caracterizar otros materiales complejos como electrolitos de batería, plásticos y diamantes nanocristalinos utilizados en cápsulas ICF, así como nuevas fases de amoníaco, sales, hidrocarburos silicatos y mezclas relacionadas que son relevantes para la ciencia planetaria.

"Nuestro conocimiento cuantitativo del agua superiónica arroja luz sobre la estructura interior, evolución y 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 contribuyeron al artículo. La parte LLNL de la investigación está financiada por el proyecto de Investigación y Desarrollo Dirigido por Laboratorio "Desentrañar la Física y la Química de Mezclas de Z bajo a Presiones y Temperaturas Extremas" y el programa Gran Desafío de Computación Institucional.