Конкуренция форм. Искусственный интеллект помог раскрыть тайну аномального поведения воды
Вода покрывает большую часть поверхности Земли, однако её физические и химические свойства существенно отличаются от свойств большинства других жидкостей. Самой известной аномалией является то, что при замерзании вода расширяется, а не сжимается.
Ученые долгое время связывали такое поведение с изменениями микроскопической структуры вещества под воздействием колебаний температуры и давления, однако до сих пор им не хватало универсального метода для точного описания и сравнения этих структурных трансформаций.
Для решения этой проблемы исследователи из Университета Осаки применили технологии искусственного интеллекта. Разработанная ими система позволила создать единую платформу для анализа различных методов описания структуры переохлажденной воды и определения наиболее точных из них.
Результаты этой научной работы были опубликованы в журнале Communications Chemistry .
В обычных условиях для превращения жидкости в лёд молекулы должны выстроиться в упорядоченную кристаллическую решётку. Этот процесс начинается в центрах зарождения кристаллизации — микроскопических царапинах на поверхности сосуда или мельчайших примесях в самой воде. При полном отсутствии таких центров вода способна оставаться жидкой даже при температуре, значительно более низкой, чем официальная точка замерзания. Учёные называют такое состояние переохлаждённой водой.
Именно в таком состоянии уникальные свойства воды проявляются наиболее ярко. Специалисты объясняют это конкуренцией между двумя формами жидкости: высокой плотности ( ЛПВП) и низкой плотности ( LDL). На молекулярном уровне водородные связи постоянно образуются и разрушаются. С повышением температуры компактные структуры высокой плотности начинают преобладать над более рыхлыми структурами низкой плотности.
На протяжении многих лет исследователи предлагали различные параметры для описания локального расположения молекул, в частности локальную плотность и порядок тетраэдрических связей. Поскольку эти дескрипторы разрабатывались независимо различными группами ученых, они основывались на разных масштабах. ( где микроскопические параметры измерялись исключительно в нанометрах и метрических единицах) и типах данных, что делало невозможным их прямое сравнение.
Ведущий автор исследования Кан Ким отметил, что использование машинного обучения уже доказало свою эффективность при классификации структурных данных. В рамках данного проекта авторы интегрировали модель нейронной сети, чтобы оценить, насколько точно существующие дескрипторы улавливают ключевую структурную информацию, имитируя процессы человеческого познания.
Для обучения ИИ исследователи загрузили в систему массивы данных, полученные в результате моделирования молекулярной динамики. В ходе многочисленных итераций нейросеть научилась распознавать закономерности в молекулярных структурах. Другой соавтор работы, Нобуюки Мацубаяси, сообщил, что система проанализировала 16 различных дескрипторов, оценивая их способность различать формы высокой и низкой плотности при различных температурных условиях. Это позволило точно определить наиболее эффективные инструменты анализа.
Ученые убеждены, что предложенная методика значительно улучшит понимание связи между микроскопическими изменениями и термодинамическим поведением воды. Полученные результаты не только объясняют природу аномальных свойств жидкости, но и послужат основой для создания еще более совершенных инструментов исследования сложных молекулярных систем.