Structure and polymerization of liquid sulfur across the $λ$-transition

In deze studie worden de structuur en het polymerisatiemechanisme van vloeibare zwavel over de $\lambda$-overgang, inclusief de terugkeer naar ringen, onderzocht met behulp van ab-initio-moleculaire dynamica-simulaties aangedreven door machine learning-potentialen en geavanceerde steekproeftechnieken.

De kern

De Magische Transformatie van Vloeibaar Zwavel: Van Kralen naar Kettingen

Stel je vloeibaar zwavel voor als een enorme, warme zwembad vol met kleine, acht-koppige kralen (we noemen ze $S_8$-ringen). Bij kamertemperatuur zwemmen deze kralen rustig rond. Maar als je het water verwarmt tot ongeveer 160°C (de zogenaamde "lambda-overgang"), gebeurt er iets raars: de kralen beginnen uit elkaar te vallen en sluiten zich aan bij elkaar om lange, slingerende kettingen te vormen.

Dit klinkt simpel, maar in werkelijkheid is het een heel complex dansje op atomaire schaal. Wetenschappers wisten al lang dat dit gebeurde, maar ze hadden geen idee hoe het precies in zijn werk ging. Hoe breken die kralen? Hoe plakken ze weer aan elkaar? En waarom wordt het vloeibare zwavel zo stroperig (dikker) als het warmer wordt?

In dit nieuwe onderzoek hebben drie wetenschappers (Manyi Yang, Enrico Trizio en Michele Parrinello) de deuren geopend voor een kijkje in de keuken van deze atomaire wereld.

De Digitale Tijdreis: Een Supercomputer als Tekenstift

Omdat atomen te klein en te snel zijn om met het blote oog te zien, moesten de onderzoekers een digitale simulatie maken. Het probleem? Gewone computersimulaties zijn te traag en te duur om dit proces te volgen. Het is alsof je probeert een heel boek te typen door één letter per dag te schrijven.

Ze gebruikten daarom een slimme truc: Machine Learning.
Stel je voor dat je een kunstenaar een boek laat lezen over hoe atomen zich gedragen. De kunstenaar (het computerprogramma) leert van dit boek en tekent vervolgens zelf nieuwe scènes, maar dan veel, veel sneller dan de originele schrijver. Hierdoor konden ze duizenden atomen gedurende nanoseconden volgen, wat voorheen onmogelijk was.

De "Topologische Kompasnaald"

Een groot probleem bij het simuleren van deze verandering is: hoe weet je of je nu een ring of een ketting hebt? Soms is het een rommeltje.
De onderzoekers bedachten een slimme manier om dit te meten, een soort topologisch kompas.

• Ze keken niet naar de vorm van de atomen, maar naar hun "vriendschapsrelaties" (wie zit naast wie?).
• Ze gebruikten wiskunde (grafieken) om te tellen hoeveel kralen er nog intact zijn en hoeveel kettingen er al zijn.
• Dit fungeerde als een kompas dat de computer precies liet zien: "We zijn nu 50% onderweg van ring naar ketting."

Wat Vonden Ze? Het Geheim van de Lijm

Met hun super-simulaties ontdekten ze precies hoe het dansje verloopt:

1. Het Breken van de Ringen (Polymerisatie)
Stel je een acht-koppige kralenketting voor die in de hitte begint te trillen.

• De zwakke plek: Door de hitte trilt de kralenketting zo hard dat hij openbarst.
• De lading: Op het moment dat hij breekt, ontstaan er aan de uiteinden "negatieve ladingen" (een soort magnetische trekkracht).
• De aanval: Deze uiteinden zijn nu als hongerige monsters. Ze zoeken direct een andere kralenketting om aan te plakken. Zodra ze een nieuwe ketting raken, breekt die ook open, en zo groeit de lange slinger steeds langer.
• De les: De uiteinden van de kettingen zijn de "actieve" delen die de hele kettingreactie in gang houden.

2. Het Vormen van Nieuwe Ringen (Depolymerisatie)
Hoe gaan de lange kettingen weer terug naar kralen? Dit kan op twee manieren:

• Manier A (De staart): Het uiteinde van de lange ketting krult om en plakt aan zichzelf. Dit is logisch, maar het gebeurt ook op een verrassende manier.
• Manier B (Het midden): Soms krult een stuk in het midden van de lange ketting om en vormt een ring, terwijl de rest van de ketting nog steeds lang blijft. Dit is als een lange slang die in het midden een knoop maakt.
• De voorwaarde: Om een ring te maken, moeten de atomen precies in de juiste stand staan (zoals een perfecte kroonvorm). Als ze niet perfect staan, gebeurt het niet.

Waarom wordt het stroperig?

Je hebt misschien gehoord dat vloeibaar zwavel bij deze temperatuur extreem dik wordt (zoals honing of zelfs meer).

• De oorzaak: In het begin zwemmen de losse kralen ($S_8$) vrij rond; ze zijn snel en mobiel.
• Het effect: Zodra ze lange kettingen vormen, verstrikt het zich. De atomen in het midden van de ketting kunnen niet meer vrij bewegen; ze moeten wachten tot hun buren bewegen. Het is alsof je van een zwembad vol losse zwemmers overgaat naar een zwembad vol mensen die elkaar vasthouden in een lange, onbreekbare rij. Die rij kan niet snel bewegen, waardoor de vloeistof stroperig wordt.

Conclusie

Dit onderzoek is een doorbraak omdat het niet alleen laat zien wat er gebeurt, maar hoe het gebeurt op het niveau van atomaire ladingen en bewegingen. Ze hebben bewezen dat de "hongerige" uiteinden van de kettingen de drijvende kracht zijn achter deze transformatie.

Het is alsof ze voor het eerst de choreografie hebben kunnen zien van een dans die tot nu toe alleen als een wazige vlek te zien was. Dankzij slimme computermodellen en machine learning hebben we nu een duidelijk beeld van de magische transformatie van vloeibaar zwavel.

Technische samenvatting

Probleemstelling

Elementair zwavel vertoont een complex fasegedrag, gekenmerkt door de neiging om zowel ringachtige structuren (voornamelijk $S_8$-kronen) als polymergevormde ketens te vormen. Een van de meest opvallende verschijnselen is de zogenaamde $\lambda$-overgang bij ongeveer 432 K en atmosferische druk. Tijdens deze overgang ondergaat vloeibaar zwavel een drastische verandering in fysische eigenschappen, zoals een sterke toename in viscositeit, warmtecapaciteit en dichtheid.

Hoewel algemeen wordt aangenomen dat dit te maken heeft met de polymerisatie van $S_8$-ringen tot lange ketens, ontbreekt er tot nu toe een gedetailleerd dynamisch beeld van het onderliggende proces. Eerdere theoretische studies op basis van ab initio methoden (zoals DFT) waren beperkt door de enorme rekenkosten, waardoor simulaties vaak beperkt bleven tot zeer korte tijdschalen (enkele honderden picoseconden) en kleine systemen (enkele honderden atomen). Dit is ontoereikend voor het bestuderen van polymergevormde systemen, die per definitie veel atomen bevatten en trage dynamiek vertonen.

Methodologie

De auteurs overwinnen deze beperkingen door een geavanceerde combinatie van technieken te gebruiken:

1. Machine Learning Potentiaal (MLP):

   • Er wordt gebruikgemaakt van een Deep Potential (DeepMD) potentiaal, getraind op Density Functional Theory (DFT) data. Dit stelt de auteurs in staat om simulaties uit te voeren met ab initio-kwaliteit tegen een fractie van de rekenkosten.
   • Het trainingsdataset is opgebouwd via een actieve leerstrategie (active learning). Hierbij worden iteratief nieuwe configuraties (inclusief overgangstoestanden) geselecteerd en berekend met DFT om het potentiaalmodel te verfijnen. Het dataset bevat uiteindelijk ongeveer $1,5 \times 10^5$ configuraties.

2. Versterkte Sampling (Enhanced Sampling - ES):

   • Om zeldzame gebeurtenissen (zoals het openen van ringen en het vormen van ketens) te kunnen observeren binnen nanoseconden, wordt de OPES (On-the-fly Probability Enhanced Sampling) methode gebruikt.
   • Dit vereist een effectieve Collective Variable (CV) die de complexe topologische veranderingen van ringen naar ketens kan beschrijven.

3. Topologische Collectieve Variabele (Deep-TDA CV):

   • In plaats van simpele geometrische parameters, gebruiken de auteurs een CV gebaseerd op grafentheorie en machine learning.
   • De adjacentiematrix van het systeem wordt geconstrueerd (gebaseerd op atoomafstanden). De eigenwaarden van deze matrix worden berekend en als histogram weergegeven.
   • Een Neuraal Netwerk (Deep-TDA) wordt getraind om deze histogrammen te vertalen naar een CV-waarde die de overgang tussen de "pure ring"-fase en de "pure polymerge"-fase scheidt. Dit maakt het mogelijk om de polymerisatie dynamisch te sturen en te analyseren.

Belangrijkste Bijdragen en Resultaten

1. Validatie van het Model:

• De berekende radiale verdelingsfuncties ($g(r)$) en structuurfactoren ($S(k)$) van vloeibaar zwavel bij verschillende temperaturen rond de $\lambda$-overgang komen uitstekend overeen met experimentele röntgendiffractie-data.
• Het model kan de verandering in de piek rond 4,5 Å (geassocieerd met de derde buur in $S_8$-ringen) correct reproduceren, wat verdwijnt naarmate de polymerisatie toeneemt.

2. Dynamische Analyse en Mobiliteit:

• De simulaties tonen aan dat atomen in de moleculaire $S_8$-fase een hoge mobiliteit hebben.
• Naarmate het polymeergehalte toeneemt, verschijnt er een piek in de verplaatsingsverdeling bij zeer kleine waarden (< 2 Å). Dit duidt op atomen die voornamelijk oscilleren rond hun evenwichtspositie in plaats van te diffunderen, wat de sterke toename in viscositeit boven de $\lambda$-overgang verklaart.

3. Reactiemechanismen (Polymerisatie en Depolymerisatie):
De studie onthult de atomaire mechanismen die de overgang aandrijven, ondersteund door een analyse van de ladingsverdeling (Bader-ladingen):

• Polymerisatie:

  • Het proces begint met thermische fluctuaties die een $S_8$-ring openen.
  • De ondercoördineerde eindatomen van de open ring krijgen een negatieve lading (polarisatie), waardoor ze zeer reactief worden.
  • Deze actieve uiteinden reageren met naburige ringen, waardoor deze ook openen en oligomeren vormen.
  • In langere ketens wordt de ladingsongelijkheid beter gedelokaliseerd, wat de stabiliteit van de ketens vergroot in vergelijking met korte oligomeren.

• Ringvorming (Depolymerisatie):

  • Via de staart: De eindatomen van een keten (die ondercoördineerd en mobiel zijn) vouwen terug en reageren met een atoom verderop in dezelfde keten om een lus te vormen (meestal een $S_8$-ring).
  • Via het midden van de keten: Verrassend genoeg kan ringvorming ook in het midden van een polymergeketen plaatsvinden. Hoewel deze atomen volledig gecoördineerd en minder reactief zijn, kan een specifieke ruimtelijke rangschikking (die lijkt op een stabiele $S_8$-kroon) leiden tot interactie en ringvorming, gesteund door lokale ladingsfluctuaties.

Significantie

Dit werk biedt het eerste gedetailleerde, dynamische inzicht in de $\lambda$-overgang van vloeibaar zwavel op atomaire schaal. Door de combinatie van machine learning-potentiaal, actieve leer en een geavanceerde topologische CV, slaagt de auteurs erin om:

1. De beperkingen van traditionele ab initio simulaties (tijd en systeemgrootte) te doorbreken.
2. De rol van ladingslokalisatie en ondercoördinatie als drijvende kracht voor de polymerisatie en depolymerisatie te identificeren.
3. Een robuust model te leveren dat experimentele data niet alleen reproduceert, maar ook de onderliggende mechanismen verklaart.

De succesvolle toepassing van deze aanpak op een zo complex systeem als vloeibaar zwavel opent de weg voor het bestuderen van andere complexe vloeistoffen en faseovergangen met vergelijkbare methodologie.