文章采用机器学习分子动力学方法研究了氢氟酸在高温高压地质流体中的酸度常数(pKa)。通过结合从头算分子动力学和机器学习势能，计算了150°C至600°C温度范围和500 bar至20 kbar压力条件下的pKa值。研究发现，在超临界条件下氢氟酸的解离程度比先前估计的更强，表明其酸性被低估。研究还建立了改进的Ryzhenko-Bryzgalin热力学模型，为预测深部地球流体中氟的行为提供了新见解。这些发现对理解氟在热液成矿过程中的作用具有重要意义。
氟是许多热液成矿流体的关键组分，通常以萤石或含氟矿物形式存在。氟离子的可利用性取决于氢氟酸在水溶液中的解离平衡，而这一过程在高温高压条件下的热力学性质尚不明确。传统实验方法在深部地壳和上地幔环境的高温高压条件下存在技术限制，导致相关数据匮乏。本研究采用机器学习分子动力学方法，系统研究了氢氟酸在极端条件下的解离行为。
研究采用机器学习分子动力学(MLMD)方法，结合从头算分子动力学(AIMD)和深度神经网络势能。首先通过AIMD模拟获取训练数据，然后利用DeepMD-kit软件包训练机器学习势能。这种方法在保证精度的同时大幅提高了计算效率，使得在极端条件下进行长时间模拟成为可能。
采用垂直能隙法计算氢氟酸的酸度常数。通过自由能微扰和热力学积分方法，计算质子转移过程的自由能变化。为验证方法的可靠性，同时计算了水合氢离子的解离能作为参考。所有计算均在多种温度和压力条件下进行，覆盖了从亚临界到超临界的状态。
分子动力学模拟揭示了氢氟酸在不同条件下的结构变化。在低温区域(100-200°C)，F-H键长略长且配位数低于1，表明部分解离。随着温度升高至300°C以上，F-H键缩短至约1.00Å，配位数接近1，显示更强的分子缔合。高压条件下(≥2kbar)，即使在高温下也保持完全配位状态。
计算得到的pKa值显示，氢氟酸的酸性随条件变化显著。在超临界区域，pKa值比传统HKF模型预测低1.5-2个对数单位，表明其解离程度被严重低估。密度分析表明，pKa与流体密度呈线性关系，符合Anderson提出的密度模型。这种增强的酸性意味着在深部热液系统中氟离子的可利用性可能高于先前的估计。
基于计算结果，建立了改进的Ryzhenko-Bryzgalin热力学模型。该模型能准确预测从亚临界到超临界条件下氢氟酸的解离行为。模型显示，在高温区域，pKa随温度升高先增加后急剧下降，这种变化与流体密度的突变相关。高压条件下pKa对温度的敏感性降低，表明高压促进了解离。
研究结果对理解氟在热液成矿系统中的作用具有重要意义。更强的酸性意味着在深部条件下氟离子浓度可能被低估，这将直接影响稀土元素和铀等金属的迁移能力。在铁氧化物-铜-金矿床和斑岩型矿床等氟富集系统中，这一发现为解释金属的迁移和沉淀机制提供了新视角。
本研究通过机器学习分子动力学方法，系统研究了氢氟酸在高温高压条件下的解离行为。发现其在超临界条件下的酸性强于传统认知，并建立了改进的热力学预测模型。这些结果为理解深部地质流体中氟的地球化学行为提供了重要依据，对矿床学和地球化学研究具有广泛意义。