Вода — самая распространенная жидкость на поверхности Земли, и она сильно отличается тем, что при замерзании расширяется. Аномалии воды связаны с тем, как ее микроскопическая структура меняется в зависимости от температуры и давления. Однако систематической схемы для описания этих структурных изменений не существует.
Исследователи из Университета Осаки используют искусственный интеллект (ИИ) для оценки систем определения характеристик воды. Модель ИИ является частью единой системы для сравнения и оценки структурных дескрипторов переохлажденной воды. Об этом захватывающем открытии было сообщено в Communications Chemistry.
Чтобы вода замерзла, молекулы должны упорядочиться и образовать кристаллическую решетку, как у льда. Молекулы прикрепляются к основе, так называемому центру кристаллизации, чтобы образовать твердую фазу. Примеси в воде или царапины на внутренней поверхности сосуда могут служить центрами кристаллизации.
Следовательно, вода в гладком, чистом сосуде может быть охлаждена ниже точки замерзания, но она не превратится в лед. Такое состояние называется переохлаждением воды.
Аномальное поведение воды становится более выраженным при переохлаждении. Аномалии объясняются переходом между двумя конкурирующими состояниями: жидкостью с высокой плотностью (ЖВП) и жидкостью с низкой плотностью (ЖНП). На микроскопическом уровне порядок в воде возникает благодаря сети межмолекулярных водородных связей, которая непрерывно меняется с течением времени. С повышением температуры свернутые структуры ЖВП начинают преобладать над открытыми структурами ЖНП.
Для характеристики локального порядка в воде были введены различные структурные дескрипторы, такие как порядок тетраэдрических связей и локальная плотность. Поскольку эти дескрипторы были предложены независимо друг от друга, они качественно различаются по параметрам и масштабам и кодируют разную структурную информацию. Это затрудняет систематическое сравнение дескрипторов для оценки их относительной важности.
«Предыдущие исследования показали, что использование машинного обучения для классификации и понимания структурных данных эффективно, — объясняет автор исследования Кан Ким. — Мы специально хотели включить в это исследование модель нейронной сети, чтобы оценить, насколько точно дескрипторы передают ключевую структурную информацию».
На вход сети подавались структурные данные переохлажденной воды, полученные в ходе компьютерных экспериментов, известных как молекулярно-динамическое моделирование. Чтобы сеть могла распознавать закономерности в данных, она использовала метод проб и ошибок.
«Сеть использовала полученные знания для сравнения того, как 16 дескрипторов различали структуры липопротеинов низкой и высокой плотности при разных температурах, — рассказывает Нобуюки Матубаяси, старший автор исследования. — Таким образом мы определили наиболее эффективные дескрипторы».
Полученные результаты помогут лучше понять взаимосвязь между структурными флуктуациями и термодинамическими состояниями воды, выяснить, откуда берутся аномальные свойства воды, и разработать улучшенные структурные дескрипторы.
