Firmas de una transición líquido-líquido en un modelo de red neuronal profunda ab initio para el agua

La posible existencia de una transición líquido-líquido metastable (LLT) y un correspondiente punto crítico líquido-líquido (LLCP) en el agua líquida sobreenfriada sigue siendo un tema de mucho debate. Se ha probado rigurosamente una LLT en tres modelos moleculares de agua parametrizados empíricamente, y se ha informado evidencia consistente con una LLT para varios otros modelos similares. En contraste, la prueba experimental de este fenómeno ha sido elusiva debido a la rápida nucleación de hielo en condiciones de sobreenfriamiento profundo. En este trabajo, combinamos la teoría del funcional de densidad (DFT), el aprendizaje automático y simulaciones moleculares para arrojar más luz sobre la posible existencia de una LLT en el agua. Entrenamos un modelo de red neuronal profunda (DNN) para representar la superficie de energía potencial ab initio del agua a partir de cálculos DFT utilizando el funcional Strongly Constrained and Appropriately Normed (SCAN). Luego, utilizamos simulaciones de muestreo avanzadas en el conjunto multithermal-multibaric para explorar eficientemente las propiedades termofísicas del modelo DNN. Los resultados de la simulación son consistentes con la existencia de un LLCP, aunque no constituyen una prueba rigurosa de ello. Ajustamos los datos de simulación a una ecuación de estado de dos estados para proporcionar una estimación de la ubicación del LLCP. Estos resultados combinados—obtenidos de un enfoque puramente de primeros principios sin parámetros empíricos—son fuertemente sugerentes de la existencia de una LLT, reforzando la hipótesis de que el agua puede separarse en dos formas líquidas distintas.