使用机器学习模型的模拟预测固体氢的新阶段

氢是宇宙中最丰富的元素，从充满大部分外太空的尘埃到恒星的核心，再到地球上的许多物质，到处都可以找到。这足以成为研究氢的理由，但它的单个原子也是任何只有一个质子和一个电子的元素中最简单的。对于伊利诺伊大学厄巴纳-香槟分校(University of Illinois Urbana-Champaign)物理学教授大卫·塞珀利(David Ceperley)来说，这使得氢成为制定和测试物质理论的自然起点。

Ceperley也是伊利诺伊州量子信息科学与技术中心的成员，他使用计算机模拟来研究氢原子如何相互作用和结合形成物质的不同相，如固体，液体和气体。然而，真正理解这些现象需要量子力学，而量子力学模拟的成本很高。为了简化任务，Ceperley和他的合作者开发了一种机器学习技术，允许使用前所未有的原子数量进行量子力学模拟。他们在《物理评论快报》上报道说，他们的方法发现了一种新型的高压固体氢，这是过去的理论和实验所遗漏的。

“事实证明，机器学习教会了我们很多东西，”Ceperley说。“我们在之前的模拟中看到了新行为的迹象，但我们不信任它们，因为我们只能容纳少量的原子。通过我们的机器学习模型，我们可以充分利用最准确的方法，看看到底发生了什么。

氢原子形成量子力学系统，但即使在计算机上也很难捕获它们的完整量子行为。像量子蒙特卡罗(QMC)这样的先进技术可以模拟数百个原子，而理解大规模相行为需要在很长一段时间内模拟数千个原子。

为了使QMC更加通用，两位前研究生牛宏伟和杨宇波开发了一种使用QMC模拟训练的机器学习模型，该模型能够容纳比QMC本身更多的原子。然后，他们与博士后研究助理斯科特·詹森(Scott Jensen)使用该模型来研究在非常高的压力下形成的氢的固相如何熔化。

他们三人正在测量不同的温度和压力以形成完整的图像，当他们注意到固相中有些异常时。虽然固体氢中的分子通常接近球形并形成一种称为六边形紧密堆积的构型 - Ceperley将其与堆叠的橙子进行了比较 - 研究人员观察到分子变成长方形的阶段 - Ceperley将它们描述为鸡蛋状。

“我们从一个不太雄心勃勃的目标开始，即完善我们所知道的事物的理论，”詹森回忆道。“不幸的是，或者也许幸运的是，它比这更有趣。出现了这种新行为。事实上，这是高温高压下的主导行为，这在旧理论中没有任何暗示。

为了验证他们的结果，研究人员用密度泛函理论的数据训练了他们的机器学习模型，这是一种广泛使用的技术，不如QMC准确，但可以容纳更多的原子。他们发现简化的机器学习模型完美地再现了标准理论的结果。研究人员得出结论，他们的大规模机器学习辅助QMC模拟可以解释效果，并做出标准技术无法做出的预测。

这项工作开启了Ceperley的合作者和一些实验家之间的对话。氢气的高压测量难以进行，因此实验结果有限。新的预测激发了一些团体重新审视这个问题，并更仔细地探索氢在极端条件下的行为。

Ceperley指出，在高温和高压下了解氢将增强我们对木星和土星的理解，这些主要由氢组成的气态行星。詹森补充说，氢的“简单性”使这种物质对研究很重要。“我们想了解一切，所以我们应该从我们可以攻击的系统开始，”他说。“氢很简单，所以值得知道我们可以处理它。