《一个新的理论模型捕获自旋动力学的Rydberg分子》

  • 来源专题:可再生能源
  • 编译者: pengh
  • 发布时间:2019-11-15
  • Rydberg分子是由一个Rydberg原子上的几十个或几百个原子组成的大分子。这些分子有永久的偶极子。当其中一个原子处于高度激发态时,即为一对相反的带电或磁化的极。

    几年来,物理学家们一直在理论和实验上研究Rydberg分子。然而,大多数研究这些分子的研究都只集中在不涉及量子自旋的情况下,因为Rydberg分子的多体性质使得分析它们的自旋动力学特别具有挑战性。

    在最近的一次理论学习,东京大学的研究员,中国科学院,马克斯普朗克研究所和哈佛大学能够捕捉Rydberg-electron自旋相互作用的动力学和原子的轨道运动,使用一种新的方法,结合高斯拟设一个impurity-decoupling转换。他们的论文发表在《物理评论快报》(Physical Review Letters)和《物理评论A》(Physical Review A)上,介绍了一种新的理论模型,该模型也可应用于其他量子多体问题。

    “由于Rydberg分子固有的多体性质,对其自旋动力学的分析一直是一个具有挑战性的问题,”进行这项研究的研究人员之一Yuto Ashida告诉Phys.org。“我们研究的主要目的是解决这个问题,推进我们对多刺里德伯气体的不平衡自旋动力学的理解。”

    摘要研究自旋不平衡的主要挑战在于,物理学家必须同时考虑原子的轨道运动和通过超长距离耦合而产生的杂质-环境纠缠。这使得捕获Rydberg分子的自旋动力学变得非常困难。

    “据我们所知,目前还没有一种理论方法适用于这种新型的量子多体问题,”芦田解释道。这就是为什么我们开发了一种新的变分方法来解决泛型的玻色子量子杂质问题。

    Ashida和他的同事提出的新的理论方法是基于一个被称为“解开经典变换”的想法,这个想法是由同一个研究团队在之前的一篇论文中提出的,也发表在PRL上。解缠正则变换利用奇偶校验对称性来完全解耦杂质和环境自由度,这最终使研究人员能够以一种非常有效的方式克服捕获Rydberg气体中自旋动力学的相关问题。

    Ashida和他的同事们用来捕获Rydberg电子自旋动力学和Rydberg分子中原子轨道运动相互作用的变分方法,结合了分离正则变换和粒子浴的高斯ansatz。这种方法使研究人员得以揭示传统杂质问题中不存在的几个特征。

    这些特征之一是相互作用引起的吸收光谱的重正化,这从分子束缚态中很难得到简单的解释。利用他们的变分法,研究人员还能够观察到持久的里德堡电子自旋振荡。

    芦田说:“我们研究中最有趣的发现是,尽管目前的多体相互作用问题具有不可积性,但自旋进动的寿命却出乎意料的长。”“我们把这个特征解释为所谓的中心自旋问题的可积性的残余,如果我们在我们的模型中取无限质量极限,就可以得到它。”

    Rydberg分子中自旋进动的持续时间长得惊人,这一发现可能会对物理学的几个子领域产生影响,包括原子、分子和光学(AMO)物理学。事实上,在复杂的多体系统中存在的弛豫和热化仍然是AMO物理和统计物理中一个活跃的研究领域。

    在未来,研究人员开发的变分模型和他们进行的分析也可以应用于其他系统的原子物理和量子化学。对于高轨道量子数的电子激发与旋量量子浴相互作用的系统尤其如此。

    “在我们的下一步研究中,我们希望进一步扩展我们的模型,使之包括里德堡电子的非零角动量,”芦田说。其他开放的研究问题包括我们的问题泛化到费米电子浴,应用我们的一般变分方法来解决其他有挑战性的量子杂质问题。我们希望我们的研究将促进这些方向的进一步研究。”

相关报告
  • 《机器学习助力于构建酶动力学模型》

    • 来源专题:生物科技领域知识集成服务
    • 编译者:陈方
    • 发布时间:2020-09-11
    • 2018年12月7日《自然-通讯》报道,德国杜塞尔多夫大学和美国加州大学的研究人员通过机器学习识别出了决定酶活性的重要特性,能够更清楚地描述酶的动力学,更精确地模拟代谢过程,并分析细胞网络中各种成分之间的相互作用。 合成生物学研发依赖于对生物细胞中复杂系统的详细和定量的理解。只有理解了这些系统,目标操作才能实现。而生物代谢系统往往非常复杂,涉及到几百种酶的相互作用。了解酶的催化转化率对于了解生物体的生长速率、蛋白质组分和生理学都是至关重要的,然而每一种酶的个体活性目前还无法定量分析,有关酶转化率的实验数据很少,而且噪音很大。 该研究证明机器学习可以根据酶生物化学、蛋白质结构和网络环境的综合数据成功预测大肠杆菌中的酶的催化转化效率。研究者发现了一组对体内和体外酶转化率具有一致预测作用的特征,揭示了催化转化率与蛋白结构之间的相关性。研究使用预测来参数化两个蛋白质组限制代谢模型框架,其定量蛋白质组数据预测的准确性显著高于以前的方法。研究者表示,所提出的机器学习模型为理解代谢和基因组规模的蛋白质组提供了一个有价值的工具,并阐明了构成酶动力学基础的结构、生化和网络特性。 吴晓燕 编译自https://phys.org/news/2018-12-metabolic-machine.html#jCp 原文链接:https://www.nature.com/articles/s41467-018-07652-6                       原文标题:Machine learning applied to enzyme turnover numbers reveals protein structural correlates and improves metabolic models
  • 《分布活化能模型在生物质热解动力学中的应用》

    • 来源专题:能源情报网信息监测服务平台
    • 编译者:guokm
    • 发布时间:2022-06-26
    • 文章建立了玉米秸秆热解反应的分布活化能模型方程,并在此基础上采用遗传算法求解实验值与理论值之,得到误差最小值,分布活化能模型动力学参数进而得到求解,求得玉米秸秆热解反应的分布活化能模型方程推导出的预测理论数据。通过实验测得玉米秸秆热解反应的热重数据与建模后所得理论数据进行比较,结果显示实验测得数据与模型理论结果拟合度较高,说明此模型适合描述玉米秸秆的热解反应动力学行为。 生物质能是蕴藏在生物质中的能量,为可再生资源,是潜在的能源和化工原料。生物质材料的热解是生物质能转化利用的根本途径。在煤、生物质等的热解反应中,各种化学键的断裂呈现出活化能的连续分布,具体到某一特定官能团的反应,由于它们在原有物质结构中所处的位置不同,发生断裂时所需的活化能也不相同[1]。考虑到生物质原料热解过程的复杂性,无法通过单一活化能值进行描述,为此,用动力学模型来描述生物质复杂的物理过程,以期深化对其热解动力学行为的研究。 本文根据阿伦尼乌斯公式建立热解动力学方程,用Matlab编译的遗传算法对实验值与理论值之差进行求解,得到误差最小值,进而求解分布活化能模型动力学参数,建立生物质的热解动力学模型。 01 分布活化能模型的建立 分布活化能模型的研究,最早是源于研究者对煤热解模型的基础上提出的。分布活化能模型有两个假设:一是假设有限多平行反应,反应个数的确定具有经验性;二是假设无限多的平行反应,则平行的每一阶反应活化能可认定呈连续分布。由于生物质的复杂性决定其热解反应数众多。假设第i个热解反应的总挥发量为Vi,直到t时刻挥发的量为Vi,根据假设2,即可得到第i个反应的动力学方程,此方程符合Arrhenius反应定律,但此一阶反应模型适用于等温动力学过程的模拟,不适用于物质组成复杂热解反应众多的分布活化能模型中。进而采用微分表示相应的各反应的量,假定各反应频率因子都一样,则可得分布活化能模型方程(式(1))。 活化能分布函数g(E)通常采用概率论中的概率分布函数表示,一般认为活化能分布为高斯分布函数。式(1)的左边引入试验分析中参数,拟合非等温条件下时间与温度的关系式,最终得到非等温Gaussian分布活化能模型方程。但由于存在双积分无法得出其解析解。而内层dT积分即为热分析动力学中常见的温度积分。代入经验温度积分式,最终得到 式中A,E0,σ为所求的参数。 传统的动力学参数求解方法(积分法和微分法)仅对具有单一活化能的模型有效,而且它们的求解存在很大的误差[2]。本论文采用Matlab中的遗传算法进行求解。 使上述函数达到最小值时的参数值即为所求解参数的过程,实际上转变成了一个优化问题,运行Matlab中的遗传算法,即可求出使公式(3)最小值的最优函数,从而求得参数值A,E0,σ的解,E0=125kJ/mol,指前因子A=1.5×109s-1和标准差σ=10kJ/mol。 02 实 验 以生物质原料为玉米秸秆为例,将事先干燥好的玉米秸秆粉碎成极细的粉末作为实验物料,对玉米秸秆制取的生物油进行热重分析,采用Perkin-Elmer热重分析仪。载气为高纯N2,流量为200ml/min。试样由室温在恒定升温速率(β=15K/min)下加热至800K,实验得到热重曲线,对实验测得的曲线进行分析。 通过对玉米秸秆试样热裂解曲线的分析比较可见,生物质的热解过程曲线具有三个阶段规律。即水分蒸发阶段、热解阶段和挥发份持续析出阶段。热解阶段的失重最显著,达到80%~90%,对应的温度范围大致为420~800K。这里仅对热解阶段的动力学进行分析,该阶段的试验曲线以及分布活化能模型预测结果与实验结果的比较见图1所示。 从图1中可以看出,此为玉米秸秆的热解阶段,图中曲线表示为生物质热解分布活化能模型预测曲线,点表示实验测定数据。在温度低于680K时,预测曲线与实验测定数据拟合得相当好,680K到750K这段有少许偏差,750K之后拟合度也比较高。出现偏差的原因可能是试验中出现了偶然误差引起所致,也可能是由于使用的数据点较少,因而求解的活化能数值误差较大所引起的。总之从总体来看,此分布活化能模型较适合描述玉米秸秆的热解反应动力学过程,本论文所建立的动力学模型是较合适的。 03 分布活化能模型动力学参数求解结果及活化能分布函数图形 采用非等温高斯分布活化能模型解析上述动力学分析实验结果,玉米秸秆热解反应的活化能分布函数图形如图2所示。标准差越小则图形越窄,说明实验数据越准确。 04 结 语 生物质原料热解过程的复杂性,无法通过单一活化能值进行描述。本文推导了生物质热解反应的分布活化能模型,并将之应用于玉米秸秆的热解动力学实验测定结果;采用遗传算法对实验值与理论值之差进行求解,得到误差最小值,进而求解分布活化能模型动力学参数,即反应活化能标准值E0=125kJ/mol,指前因子A=1.5×109s-1和标准差σ=10kJ/mol。进一步给出了相应的分布活化能模型预测曲线,并对两组数据进行了拟合验证,结果表明,分布活化能模型较适合描述生物质热解反应动力学过程。 参考文献: [1]刘旭光.煤热解DAEM模型分析及固定床煤加压气化过程[D]太原:中国科学院山西煤炭化学研究所,2000.