人工智能的突破揭示了地球的核心奥秘

这种方法不仅能模拟原子行为，还能模拟极端条件下材料的磁性。他们的方法可以极大地推动地球物理学研究，同时为神经形态计算等技术创新铺平道路--神经形态计算是一个旨在创建更节能的人工智能系统的前沿领域。

研究小组的研究成果于12月12日发表在《PNAS》杂志上。

地球磁场对生命至关重要，它保护地球免受有害宇宙辐射和太阳风的伤害。这种保护由地球动力效应驱动，而地球动力效应是由地核内熔融铁的运动驱动的。

"我们知道，地核主要由铁组成，"CASUS材料设计机器学习部门负责人AttilaCangi解释说。"越接近地心，温度和压力就越高。温度的升高使物质熔化，而压力的升高则使物质保持固态。由于地球内部特定的温度和压力条件，外核处于熔融状态，而内核则保持固态。"

由于地球的自转和对流，带电的液态铁在内核周围流动，产生电流，形成包裹地球的磁场。

尽管有了这一基本认识，但许多细节问题仍未解决。科学家们仍在研究地核的确切结构以及除铁以外的其他元素的作用，这些元素可能会影响地球动力效应。地震实验提供了线索：研究人员向地球发送冲击波，并用灵敏的传感器测量回声。

研究报告的第一作者、桑迪亚国家实验室的斯维托斯拉夫-尼科洛夫（SvetoslavNikolov）说："这些实验表明，地核不仅仅含有铁。"测量结果与假设内核为纯铁的计算机模拟结果并不一致。"

通过开发和测试一种新的模拟方法，研究小组取得了重大进展。这种方法被称为分子-自旋动力学，其关键创新之处在于整合了以前两种独立的模拟方法：模拟原子运动的分子动力学和考虑磁性的自旋动力学。

CEA物理学家朱利安-特兰奇达（JulienTranchida）强调说："通过将这两种方法结合起来，我们能够研究高压和高温条件下磁性在长度和时间尺度上的影响，这在以前是无法实现的。"

具体来说，研究小组模拟了200万个铁原子及其自旋的行为，以分析机械和磁性之间的动态相互作用。研究人员还采用了人工智能（AI），利用机器学习来高精度地确定力场--原子间的相互作用。开发和训练这些模型需要高性能计算资源。

模型准备就绪后，研究人员进行了实际模拟：将代表地核的200万个铁原子数字模型置于地球内部的温度和压力条件下。具体方法是在铁原子中传播压力波，模拟铁原子的加热和压缩。当这些冲击波的速度较低时，铁保持固态并采用不同的晶体结构。当冲击波速度较快时，铁大部分变成了液态。研究人员特别发现，磁效应对材料的特性有很大影响。

桑迪亚国家实验室的材料科学家米切尔-伍德说："我们的模拟结果与实验数据非常吻合。结果表明，在特定的温度和压力条件下，铁的某一特定相可能会稳定下来，并有可能影响地球动力。"

这种相被称为bcc相，在这些条件下还没有在铁中实验观察到，只是假设而已。如果得到证实，分子自旋动力学方法的结果将有助于解决有关地球动力效应的几个问题。

除了揭示地球内部的新细节，这种方法还有可能推动材料科学的技术创新。Cangi计划在自己的部门并通过外部合作，利用该技术为神经形态计算设备建模。这是一种新型硬件，其灵感来自人脑的工作方式，有朝一日可以更快、更节能地处理人工智能算法。通过以数字方式复制基于自旋的神经形态系统，新的模拟方法可以为开发创新、高效的机器学习硬件解决方案提供支持。

数据存储为进一步研究提供了第二条引人注目的途径：沿着微小纳米线的磁畴可以作为存储介质，比传统技术更快、更节能。"目前还没有针对这两种应用的精确模拟方法，"Cangi说。"但我相信，我们的新方法能够以如此逼真的方式模拟所需的物理过程，从而大大加快这些信息技术创新的技术发展。"

编译自/scitechdaily

DOI:10.1073/pnas.2408897121