Вода покрывает большую часть поверхности Земли, но ведёт себя совсем не так, как большинство других жидкостей. Например, при замерзании она не сжимается, а расширяется.
Учёные давно связывают подобные странности с тем, как меняется микроскопическая структура воды при разных температурах и давлении. Однако до сих пор у них не было единого способа описывать эти изменения и сравнивать разные модели между собой.
Исследователи из Университета Осаки решили привлечь к этой задаче искусственный интеллект. Созданная ими система сравнивает различные методы описания структуры переохлаждённой воды и определяет, какие из них лучше всего отражают важные особенности расположения молекул.
Результаты работы опубликованы в журнале Communications Chemistry.
Чтобы жидкая вода превратилась в лёд, её молекулы должны выстроиться в упорядоченную кристаллическую решётку. Обычно этот процесс начинается в точке зарождения кристалла — на поверхности, где может сформироваться первый участок льда.
Такой точкой способна стать крошечная примесь в воде или даже микроскопическая царапина на стенке сосуда. Если подходящих участков нет, вода может оставаться жидкой даже после охлаждения ниже обычной температуры замерзания. Это состояние называют переохлаждённой водой.
Именно в таких условиях необычные свойства воды проявляются особенно сильно. Учёные предполагают, что они связаны с равновесием между двумя конкурирующими формами жидкости — водой высокой плотности и водой низкой плотности.
На молекулярном уровне вода постоянно создаёт и разрушает сети водородных связей. Структуры высокой плотности более компактны, а структуры низкой плотности — более открыты. С повышением температуры компактные структуры начинают преобладать.
За годы исследований учёные предложили множество способов описания расположения соседних молекул воды. Среди них — локальная плотность и показатели, отражающие тетраэдрическое расположение связей.
Проблема в том, что эти методы создавались независимо друг от друга. Они используют разные шкалы, размеры и типы данных, поэтому напрямую сравнить их эффективность оказалось сложно.
Для решения этой задачи команда применила нейронную сеть. Её обучали на данных о структуре переохлаждённой воды, полученных с помощью моделирования движения молекул.
Система многократно анализировала примеры и постепенно научилась находить значимые закономерности. После этого она сравнила 16 различных способов описания структуры воды и проверила, насколько хорошо каждый из них различает формы высокой и низкой плотности при разных температурах.
Так исследователи смогли определить наиболее эффективные показатели.
По мнению авторов работы, новый подход поможет точнее связывать микроскопические изменения в расположении молекул с термодинамическим поведением воды. Он также может приблизить учёных к объяснению происхождения её необычных свойств и помочь создавать более совершенные инструменты для изучения сложной молекулярной структуры воды.
