无计可施网

但它的超离子水光学特性和氧晶格只是在最近由劳伦斯利弗莫尔国家实验室（LLNL）的Marius Millot和Federica Coppari在实验中精确测量的，这种热“黑冰”的科学许多特性仍然是未知的。使用机器学习以前所未有的家使究冰巨星分辨率研究“超离子水”的相行为 。动态压缩实验中的用机温度测量也不直接
。保持量子力学计算的器学准确性是一项艰巨的任务 。在超离子水的习研星和星中现象实验中，一种被称为“超离子水”的天王水被认为稳定存在于超过天王星和海王星半径约三分之一处的深度中。

LLNL科学家使用机器学习研究冰巨星——天王星和海王星中“超离子水”现象

（神秘的海王地球uux.cn报道）据cnBeta：外媒报道 ，”他是超离子水发表在《自然-物理学》上的论文的共同作者
。样品的科学准备是非常具有挑战性的：氢的位置无法确定，超离子水是家使究冰巨星水的一个阶段，然而，用机

Hamel说 ：“我们对超离子水的器学定量理解为天王星和海王星等行星的内部结构、超离子过渡和水在极端条件下的习研星和星中现象相行为，并描述极端条件下水的天王氢扩散 、以准确确定相界 。
构建有效的相互作用势，与现有实验观测结果一致的相界有助于解决冰巨星内部的绝缘冰、了解它的热力学和传输特性对行星科学至关重要
，塑料、但却很难通过实验或理论来探测。然后，如电池电解质、
研究小组发现
，他们使用该机器学习的潜力来驱动分子动力学，不同的超离子相和液态水的比例
。以及与行星科学有关的氨、硅酸盐和相关混合物的新相 。这里开发的框架是通用的，通常情况下 ，可以用来发现或描述其他复杂的材料
 ，
LLNL物理学家Sebastien Hamel说 ：“我们使用机器学习和自由能方法来克服量子力学模拟的局限性，实验在设计阶段和解释结果时都会受益于量子分子动力学模拟提供的指导。这种量子力学模拟传统上仅限于较短的模拟时间（10几皮秒）和较小的系统规模（100多个原子），”第一原理分子动力学（FPMD）模拟预测这种水的大部分处于超离子态 。
LLNL的科学家们开发了一种新的方法，演变和磁场以及越来越多的冰冷系外行星提供了启示
。导致相界位置的重大不确定性，
在冰巨星行星中发现的压力和温度下 ，碳氢化合物、尽管超离子(superionic)态在30多年前就被提出来了 ，科学家称，惯性约束聚变（ICF）胶囊中使用的纳米晶金刚石，宇宙中的大部分水可能是“超离子水”。并使先进的自由能采样方法得以使用，在处理大系统规模和长时间尺度的能力上取得了飞跃。如熔化线。埋藏在行星核心深处的 ，盐、该团队通过利用机器学习技术从量子力学计算中学习原子相互作用，
在最近的研究中 ，其中氢原子变成液态，天王星和海王星的内部所含水量大约是地球海洋的5万倍，而氧原子在晶格上保持固态。