編輯 | 綠蘿

氫是宇宙中最為豐富的元素。從外太空到恒星，再到地球上的許多物質，氫無處不在。

氫是元素周期表中的第一個元素，它的單個原子也是所有元素中最簡單的，只有一個質子和一個電子。

對于伊利諾伊大學厄巴納-香檳分校（UIUC）的物理學教授 David Ceperley 來說，這使得氫成為構建和測試物質理論的自然起點。他使用計算機模擬來研究氫原子如何相互作用和結合以形成固體、液體和氣體。然而，對這些現象的真正理解需要量子力學，而量子力學模擬的成本是昂貴的。

為了簡化任務，Ceperley 和他的合作者開發了一種機器學習技術，可以用前所未有的原子數量進行量子力學模擬。

研究發現了一種新的高壓固體氫，這是過去的理論和實驗未發現的。

該研究以「Stable Solid Molecular Hydrogen above 900 K from a Machine-Learned Potential Trained with Diffusion Quantum Monte Carlo」為題，于 2023 年 2 月 17 日發布在《Phys. Rev. Lett.》上。

「事實證明，機器學習教會了我們很多東西，」Ceperley 說。「我們在之前的模擬中看到了新行為的跡象，但我們不相信它們，因為我們只能容納少量原子。有了我們的機器學習模型，我們可以充分利用最準確的方法，看看到底發生了什么。」

探測高壓氫相圖的實驗方法有限。鑒于實驗的困難，精確的模擬是必要的，以告知和補充實驗工作。高壓氫的模擬需要準確的方法來描述電子基態 Born-Oppenheimer (BO) 勢能面 (PES) 和包含超出諧波近似（harmonic approximation）的核量子效應。但使用第一性原理方法探索大范圍的壓力和溫度非常耗時。

近年來，機器學習原子間勢已成為一種很有前途的工具，在準確性和效率之間達到平衡，進行準確且低成本的計算，從而解決第一原理模擬的時間和空間限制。

ML 方法已應用于致密氫研究。然而，關于解離、熔化和通過各種模擬方法獲得的臨界點，存在一些相互矛盾的理論結果。

氫原子形成一個量子力學系統，但即使在計算機上也很難捕捉到它們的完整量子行為。像量子蒙特卡洛（QMC）這樣的最先進技術可以模擬數百個原子，而理解大規模相行為需要長時間模擬數千個原子。

為了使 QMC 更具通用性，研究人員開發了一種機器學習模型，該模型經過 QMC 模擬訓練，能夠容納比 QMC 本身更多的原子。然后，使用該模型來研究在非常高的壓力下形成的氫固相如何熔化。

在這項研究中，研究人員使用與 DMC-BO-PES 近似的量子質子，在 50 到 220 GPa 的壓力下，對分子氫進行大規模模擬，研究高壓分子氫的相圖。

狀態方程整體比較優秀。實驗確定結構為 HCP，但六角對稱性在 150 GPa 以上被破壞。在模擬和實驗中，c/a 比隨著壓力的增加而降低。當 c/a 比偏離封閉堆積極限時，分子取向會出現各向異性。

研究發現 400 K 和 120 GPa 以上的主要結構是各向同性 Fmmm-4，每個晶胞有 2 個分子，沒有優先取向。

在 HCP 結構中，第二層的分子中心位于第一層三個分子中心形成的等邊三角形的中心之上，而在 Fmmm-4 中，第二層的分子中心位于該三角形的邊緣之上。?

對于 T ≤ 400 K，分子在基面上定向。當 T < 200 K，結構為 C2/c-24，這也是具有定向分子的分子中心的 HCP 晶格；有 4 個不同的層，每個晶胞共有 12 個分子。

除了 HCP 和 C2/c-24 相外，還發現了兩個新的穩定相，它們的分子中心都在 Fmmm-4 結構中，通過分子取向隨溫度的轉變而分開。

高溫各向同性 Fmmm-4 相有一條重入熔線（reentrant melting line），其最大熔點比之前估計的溫度更高（150 GPa 時為 1450 K），并在 1200 K 和 200 GPa 左右穿過液-液相變線（LLPT）。

為了驗證結果，研究人員使用密度泛函理論的數據訓練了他們的機器學習模型。發現簡化的機器學習模型完美地再現了標準理論的結果。研究人員得出結論，大規模機器學習輔助 QMC 模擬可以解釋影響并做出標準技術無法做出的預測。

氫的高壓測量很難進行，因此實驗結果有限。新的預測激發了一些小組重新審視這個問題，更仔細地探索氫在極端條件下的行為。

Ceperley 指出，了解高溫高壓下的氫將增強我們對木星和土星這兩種主要由氫構成的氣態行星的了解。

論文共同作者 Scott Jensen 補充說，氫的「簡單性」使得研究這種物質很重要。「我們想了解一切，所以我們應該從我們可以攻擊的系統開始，」他說。「氫很簡單，所以，值得我們去研究。」