当水处于过冷状态时，其异常行为变得更加显著，但科学家们一直难以比较描述其微观结构的多种不同方法。大阪大学的研究人员利用基于计算机模拟训练的人工智能模型，评估了16种不同的结构描述符。该系统确定了区分水两种竞争性液态的最有效方法，为研究自然界最神秘的物质之一提供了更JianCe的框架。
现在，大阪大学的研究人员转向人工智能（AI）来应对这一挑战。他们的AI系统提供了一种统一的方法来比较描述过冷水结构的不同方法，有助于确定哪些方法捕捉到了最重要的特征。这项研究发表在《通讯-化学》（Communications Chemistry）上。
过冷水行为为何如此怪异
液态水要变成冰，其分子必须排列成有序的晶格。这一过程始于成核位点，即冰晶开始形成的表面。水中的微小杂质甚至容器内部的微小划痕都可以提供这些起始点。
如果缺乏这些成核位点，水即使被冷却到正常冰点以下，仍能保持液态。这种不寻常的状态被称为过冷水。
在这种条件下，水的异常性质变得更加显著。科学家认为，这些行为与两种竞争形式的液态水之间的平衡有关：高密度液体（HDL）和低密度液体（LDL）。在分子水平上，水分子不断形成和断裂氢键网络。随着温度升高，结构更紧凑的HDL比结构更开放的LDL日益占据主导地位。
AI比较竞争的水模型
多年来，研究人员提出了许多不同的方法来描述水分子的局部排列，包括四面体键序和局部密度等测量指标。由于这些结构描述符是独立开发的，它们使用不同的尺度、维度和信息类型。这使得直接比较它们并确定哪些最有用变得困难。
“过去的研究表明，利用机器学习对结构数据进行分类和理解是有效的，”通讯作者Kang Kim解释道。“我们特别希望在这项研究中引入神经网络模型，以一种类似于人类认知的方式，评估这些描述符在捕捉关键结构信息方面的准确性。”
为了训练AI，研究人员向神经网络输入了由过冷水分子动力学模拟生成的结构数据。通过反复的试错，系统学会了识别分子结构中有意义的模式。
水隐藏结构的新线索
“该网络利用所学知识比较了16种描述符在不同温度下区分LDL和HDL结构的能力，”资深作者松林伸行报告道。“通过这种方式，我们确定了最高效的描述符。”
研究人员表示，他们的框架可以增进科学家对微观结构变化如何与水的热力学行为相关联的理解。这些发现也可能有助于解释水异常性质的起源，同时指导开发更好的工具来研究其复杂的分子结构。