Simulationen mit einem maschinellen Lernmodell sagen eine neue Phase von festem Wasserstoff voraus

Wasserstoff, das am häufigsten vorkommende Element im Universum, kommt überall vor, vom Staub, der den größten Teil des Weltraums füllt, über die Kerne der Sterne bis hin zu vielen Substanzen hier auf der Erde. Das wäre Grund genug, Wasserstoff zu untersuchen, aber seine einzelnen Atome sind auch die einfachsten aller Elemente mit nur einem Proton und einem Elektron. Für David Ceperley, Physikprofessor an der University of Illinois Urbana-Champaign, macht dies Wasserstoff zum natürlichen Ausgangspunkt, um Materietheorien zu formulieren und zu testen.

Ceperley, ebenfalls Mitglied des Illinois Quantum Information Science and Technology Center, verwendet Computersimulationen, um zu untersuchen, wie Wasserstoffatome interagieren und sich verbinden, um verschiedene Phasen von Materie wie Feststoffe, Flüssigkeiten und Gase zu bilden. Ein echtes Verständnis dieser Phänomene erfordert jedoch Quantenmechanik, und quantenmechanische Simulationen sind kostspielig. Um die Aufgabe zu vereinfachen, entwickelten Ceperley und seine Mitarbeiter eine maschinelle Lerntechnik, mit der quantenmechanische Simulationen mit einer beispiellosen Anzahl von Atomen durchgeführt werden können. Sie berichteten In Briefe zur körperlichen Überprüfung dass ihre Methode eine neue Art von festem Hochdruck-Wasserstoff gefunden hat, die frühere Theorien und Experimente übersehen haben.

„Maschinelles Lernen hat uns viel beigebracht“, sagte Ceperley. „Wir hatten in unseren vorherigen Simulationen Anzeichen für neues Verhalten gesehen, aber wir trauten ihnen nicht, weil wir nur eine kleine Anzahl von Atomen aufnehmen konnten. Mit unserem maschinellen Lernmodell konnten wir die genauesten Methoden voll ausnutzen und sehen, was ist wirklich los.“

Wasserstoffatome bilden ein quantenmechanisches System, aber es ist selbst auf Computern sehr schwierig, ihr vollständiges Quantenverhalten zu erfassen. Eine hochmoderne Technik wie Quanten-Monte-Carlo (QMC) kann durchaus Hunderte von Atomen simulieren, während das Verständnis von Phasenverhalten im großen Maßstab die Simulation von Tausenden von Atomen über lange Zeiträume erfordert.

Um QMC vielseitiger zu machen, entwickelten zwei ehemalige Doktoranden, Hongwei Niu und Yubo Yang, ein maschinelles Lernmodell, das mit QMC-Simulationen trainiert wurde und in der Lage ist, viel mehr Atome aufzunehmen als QMC allein. Anschließend verwendeten sie das Modell mit dem Postdoktoranden Scott Jensen, um zu untersuchen, wie die feste Phase von Wasserstoff, die sich bei sehr hohen Drücken bildet, schmilzt.

Die drei untersuchten verschiedene Temperaturen und Drücke, um sich ein vollständiges Bild zu machen, als sie etwas Ungewöhnliches in der festen Phase bemerkten. Während die Moleküle in festem Wasserstoff normalerweise nahezu kugelförmig sind und eine Konfiguration bilden, die als hexagonal dicht gepackt bezeichnet wird – Ceperley verglich sie mit gestapelten Orangen –, beobachteten die Forscher eine Phase, in der die Moleküle zu länglichen Figuren wurden – Ceperley beschrieb sie als eiartig.

„Wir begannen mit dem nicht allzu ehrgeizigen Ziel, die Theorie von etwas zu verfeinern, über das wir Bescheid wissen“, erinnert sich Jensen. „Leider, oder vielleicht zum Glück, war es interessanter als das. Da zeigte sich dieses neue Verhalten. Tatsächlich war es das vorherrschende Verhalten bei hohen Temperaturen und Drücken, etwas, auf das es in der älteren Theorie keinen Hinweis gab.“

Um ihre Ergebnisse zu verifizieren, trainierten die Forscher ihr maschinelles Lernmodell mit Daten aus der Dichtefunktionaltheorie, einer weit verbreiteten Technik, die weniger genau als QMC ist, aber viel mehr Atome aufnehmen kann. Sie fanden heraus, dass das vereinfachte maschinelle Lernmodell die Ergebnisse der Standardtheorie perfekt reproduzierte. Die Forscher kamen zu dem Schluss, dass ihre groß angelegten, durch maschinelles Lernen unterstützten QMC-Simulationen Effekte berücksichtigen und Vorhersagen treffen können, die Standardtechniken nicht können.

Diese Arbeit hat ein Gespräch zwischen Ceperleys Mitarbeitern und einigen Experimentatoren ausgelöst. Hochdruckmessungen von Wasserstoff sind schwierig durchzuführen, daher sind die experimentellen Ergebnisse begrenzt. Die neue Vorhersage hat einige Gruppen dazu inspiriert, das Problem erneut zu prüfen und das Verhalten von Wasserstoff unter extremen Bedingungen genauer zu untersuchen.

Ceperley bemerkte, dass das Verständnis von Wasserstoff unter hohen Temperaturen und Drücken unser Verständnis von Jupiter und Saturn verbessern wird, gasförmigen Planeten, die hauptsächlich aus Wasserstoff bestehen. Jensen fügte hinzu, dass die „Einfachheit“ von Wasserstoff es wichtig macht, die Substanz zu untersuchen. „Wir wollen alles verstehen, also sollten wir mit Systemen beginnen, die wir angreifen können“, sagte er. „Wasserstoff ist einfach, also ist es wert zu wissen, dass wir damit umgehen können.“