水覆盖了地球表面的绝大部分，然而它的行为与几乎所有其他液体都大相径庭。它最不寻常的特征之一是，当它冻结时，水竟然是膨胀而不是收缩。科学家们长期以来将这些奇特的行为与水的微观结构在温度和压力变化时的改变联系在一起，但他们缺乏一致的方式来描述和比较这些结构变化。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。他们的人工智能系统提供了一种统一的方式来比较描述过冷却水结构的不同方法，帮助识别出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》上。 过冷却水为何如此奇怪地行为 为了让液态水变成冰，其分子必须排列成有序的晶格。这一过程始于一个成核位置，即冰晶可以开始形成的表面。水中的微小杂质甚至容器内的微观划痕都可以提供这些起始点。如果这些成核位置缺失，水即使在温度降到正常冰点以下后仍然可以保持液态。这一不寻常状态被称为过冷水。在这些条件下，水的异常特性表现得更为突出。科学家们相信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）。在分子层面，水分子不断地形成和断裂氢键网络。随着温度的升高，更紧凑的HDL结构在越来越大程度上占据主导地位，相较于更加开放的LDL结构。 人工智能比较水的竞争模型 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。由于这些结构描述符是独立开发的，因此它们使用了不同的尺度、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。“以往的研究表明，使用机器学习来分类和理解结构数据是有效的，”文章的通讯作者Kang Kim解释道。“我们特别想把神经网络模型纳入这项研究，以评估这些描述符在捕捉关键结构信息方面的准确性，这种方式类似于人类的认知。” 为了训练人工智能，研究人员向神经网络输入了从过冷水的分子动力学模拟中生成的结构数据。通过反复试验，这个系统学会了识别分子结构中的有意义模式。 水隐秘结构的新线索 “网络利用所学的知识比较了16个描述符在不同温度下区分LDL和HDL结构的效果，”资深作者Nobuyuki Matubayasi报告说。“通过这种方式，我们确定了最有效的描述符。”研究人员表示，他们的框架可能提升科学家对微观结构变化如何与水的热力学行为相连接的理解。研究结果也可能有助于解释水的异常特性的起源，同时指导开发更好的工具来研究其复杂的分子结构。