冰和水的密度谁大(冰和水的密度一样吗)

为什么水的密度在4摄氏度左右最高？冰为什么会浮起来？为什么重水的熔点和普通水不一样？雪花为什么有六重对称性？来自洛桑联邦理工学院、哥廷根大学和维也纳大学的研究人员进行了一项合作研究，该研究将数据驱动的机器学习技术与量子力学相结合，为这些问题提供了物理见解。这项研究发表在2019年1月2日的《美国国家科学院院刊》上。大多数可观测物质的基本成分是电子和原子核。遵循量子力学定律，它们的行为可以用波函数来描述，波函数是一种与在给定时间点观测到它们的概率相关的弥散云。

boko yuan-科普:通过求解薛定谔方程，我们可以对包括水在内的任何物质进行建模和预测。但是有一个问题。随着电子和原子核数量的增加，即使使用最快的超级计算机，即使在优化这种计算方面取得了一个世纪的著名进展，所涉及的复杂性也很快变得无法控制。实际上，对于几百个原子以上或者时间超过一纳秒，也就是1/ 1000，000，000秒的系统，量子力学计算还是负担不起的。为了克服这些严重的局限性，研究人员使用人工神经网络(ANN)从量子力学中学习原子之间的相互作用。神经网络结构可以表示为几个相互连接的节点层，模拟人脑神经元的结构。神经网络首先学习原子之间的量子力学相互作用，然后快速预测原子系统的能量和力，不需要昂贵的量子力学计算。到目前为止，所有这些听起来都像是机器学习的典型成功故事。

然而，也有微妙之处。与实际的量子力学计算相比，神经网络有一个残差:在大多数情况下，它会引入一个很小的噪声，有时它会随机猜测输入是否与它所学习的任何东西有很大的不同。如何避开人工神经网络的陷阱？研究人员没有单独使用人工神经网络来预测原子系统，而是将其作为一种替代模型。本质上，有限温度下材料性质的计算通常涉及很多计算步骤，这些繁琐重复的部分可以委托给廉价的替代模型。最后，代理真值和基本真值的区别，也就是人工神经网络和量子力学的区别，可以得到解释，并从最终预测中减去。利用这些技术，研究人员可以从量子力学中重现水的几种热力学性质，包括冰和水的密度、正常水和重水的融化温度差异以及不同形式的冰的稳定性。

人工神经网络应用于水和冰的热力学性质计算，揭示了量子核涨落的重要影响。照片:克里斯托弗·德拉戈

此外，这项研究还揭示了一些关于冰和水的特殊性质的物理见解。其中一个最显著的发现是核量子的波动，即像氢这样的轻元素更像扩散云而不是局部粒子的趋势，这促进了冰中分子的六边形排列，并最终导致雪花的六重对称。到目前为止，所有这些听起来都像是机器学习的典型成功故事。然而，也有微妙之处。与实际的量子力学计算相比，神经网络有一个残差:在大多数情况下，它会引入一个很小的噪声，有时它会随机猜测输入是否与它所学习的任何东西有很大的不同。如何避开人工神经网络的陷阱？研究人员没有单独使用人工神经网络来预测原子系统，而是将其作为一种替代模型。

本质上，有限温度下材料性质的计算通常涉及很多计算步骤，这些繁琐重复的部分可以委托给廉价的替代模型。最后，代理真值和基本真值的区别，也就是人工神经网络和量子力学的区别，可以得到解释，并从最终预测中减去。利用这些技术，研究人员可以从量子力学中重现水的几种热力学性质，包括冰和水的密度、正常水和重水的融化温度差异以及不同形式的冰的稳定性。此外，这项研究还揭示了一些关于冰和水的特殊性质的物理见解。其中一个最引人注目的发现是，核量子涨落(即氢等轻元素的行为更像弥散的云而不是局部粒子的趋势)促进了冰中分子的六边形堆积，最终导致了雪花的六重对称性。

博科花园-科普|研究/来自:维也纳大学

期刊参考:美国国家科学院学报，化学物理杂志。

黄金指数:10.1063/1.480195

引用:arXiv:1811.08630

博科花园——传递宇宙科学之美