基于机器学习分子动力学的液态铁黏度随压力变化
地球物理
2025-06-30 v1 材料科学
软凝聚态物质
摘要
我们开发了一种机器学习势能，准确地模拟了地球核心条件下铁的行为。通过进行大量纳秒规模的平衡分子动力学模拟，获取了液态铁在整个外核条件下的黏度，其不确定性显著降低。我们发现，埃尔斯-斯汀斯关系在外核条件下并不准确。黏度约为 10 量级 mPa·s，与先前的第一性原理结果一致。我们提供了随压力和温度变化而变化的液态铁黏度图谱，供地球物理建模使用。
引用
@article{arxiv.2506.21626,
title = {Pressure dependence of liquid iron viscosity from machine-learning molecular dynamics},
author = {Kai Luo and Xuyang Long and R. E. Cohen},
journal= {arXiv preprint arXiv:2506.21626},
year = {2025}
}