伊利诺伊大学香槟分校 在这个图中，振动能级在它们的内部和外部转折点被表示为点，并且它们根据它们的振动量子数被着色
学分:伊利诺伊大学格兰杰工程学院 高超音速飞行通常指的是以明显快于音速的速度飞行的能力，这带来了一系列非同寻常的技术挑战
例如，当太空舱重返地球大气层时，它会达到高超音速——超过音速的五倍——并在其外表面产生超过4000华氏度的温度
设计一个热保护系统来保证宇航员和货物的安全，需要在分子水平上理解围绕飞行器流动的气体中的复杂物理现象
伊利诺伊大学香槟分校最近的研究增加了关于原子在这种极端环境中振动、旋转和碰撞时发生的物理现象的新知识
“由于车辆周围气流的相对速度，在胶囊前面形成了一个冲击
当气体分子穿过激波时，它们的一些性质几乎瞬间改变
相反，其他人没有足够的时间来适应突然的变化，他们在到达车辆表面之前没有达到平衡值
然后发现激波和隔热屏之间的层处于非平衡状态
西蒙尼·文杜里说:“对于这种流动中发生的反应，我们还有很多不了解的地方。”
他是一名研究生，和马可·帕内西一起在UIUC航空航天工程系学习
文丘里解释说，他们不能像低速空气动力学中的可压缩流那样描述流动，低速空气动力学研究流动的整体特性
高超音速流是在微观水平上研究的，以了解分子和原子如何相互作用，以及最终如何模拟这些相互作用
“同时发生的许多现象使问题变得更加复杂——非平衡只是其中之一，”文丘里说
“例如，辐射是受激电子态的结果
同时，气流与胶囊表面烧蚀产生的气体相互作用
" 这项研究从飞行器周围气流中分子的振动和旋转的角度来研究非平衡态，这是一个在高超音速飞行和量子物理研究中常用的词
“我们模拟的输入来自量子物理的基本原理
我们考虑在一组相对距离的原子，我们通过求解薛定谔方程来计算最终的相互作用能量，”文丘里说
“解决方案只能在一组离散的点上实现
机器学习帮助我们拟合和产生一个连续的表面——我们称之为势能面
" 在过去的几年里，研究人员开始研究在这些点之间生成表面的神经网络
“我们通过概率机器学习扩展神经网络，进一步增加了复杂性，”文丘里说
“这不仅使我们能够更准确地描述原子间的相互作用，而且量化了影响这些物体的不确定性
我们创建了一个表面的分布，而不仅仅是一个表面，因为从这些模型中得出的预测不仅仅是一个单一的值，而是一个值的分布
所以，这是关于价值的不确定性的预测
结果不是一个确切的答案，而是答案的分布
" 文丘里说，在他们表示了分子和原子之间的相互作用能量后，他们模拟了数十亿次碰撞
“我们知道在一小组空间点上会发生什么，然后我们使用经典力学的方程
控制台球碰撞的方程式是一样的
不同的是，我们使用这些相互作用，这些量子相互作用，作为驱动力
这种复杂性是问题的原子尺度所要求的，因为粒子即使相距很远也能感觉到彼此
通过大量的碰撞，我们可以获得某些反应发生的概率
我们在计算流体动力学中使用这些反应概率，最终目的是预测通量和设计更安全的隔热板，”他说
尽管他们不是第一个使用机器学习来构造势能面的人，文丘里说，“我们是第一个获得这些量的不确定性的人
这是一种验证机器学习应用于构建这些潜力的准确性的方法
" 在第二个研究项目中，文丘里说，他们现在对高超音速流中的离解动力学有了更多的了解，也就是说，由于强烈的碰撞，分子是如何打破化学键并变成两个独立的原子的
“高超音速区域的极端温度产生了非常奇特的物理现象，”文丘里说
“这使得不可能区分分子的振动和旋转
你不能分割它们，因为它们高度耦合在一起
我们发现这种效应对解离机制有重要影响
“这很有趣，不仅仅是从化学的角度，从工程的角度也是如此
气体分子和原子碰撞后发生的化学反应要么向气流中释放能量，要么从中减去能量，”文丘里说
“因此，如果我们想量化撞击隔热板的热通量，我们需要预测车辆周围的气流中储存了多少能量
我们通常在室温下观察不到大气中分子的离解
只有当氧气的温度超过4500华氏度，氮气的温度超过7000华氏度时，它才开始起作用
这是一个有趣的现象，现在我们对它有了更多的了解
" 这两篇文章被《物理化学杂志》的封面所认可
西蒙·文杜里是马尔科·帕内西在航空航天工程和国际象棋系的博士生，他利用机器学习和数据科学来研究高超音速环境中的化学
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
