Des chercheurs de l'Université d'Osaka ont utilisé l'intelligence artificielle pour comparer des modèles de la structure microscopique de l'eau dans son état surfondu. Les travaux identifient les descripteurs les plus efficaces pour distinguer deux formes liquides concurrentes de l'eau.
Les scientifiques observent depuis longtemps que l'eau se dilate lorsqu'elle gèle et présente d'autres comportements inhabituels. Ces caractéristiques sont liées à des transitions entre un liquide à haute densité et un liquide à basse densité au niveau moléculaire, en particulier lorsque l'eau est refroidie en dessous de son point de congélation normal sans se solidifier.
L'équipe a entraîné un réseau neuronal sur des données issues de simulations de dynamique moléculaire. Le modèle a évalué 16 descripteurs structurels pour déterminer lesquels capturaient le mieux les différences clés entre les deux états liquides à différentes températures.
L'auteur correspondant, Kang Kim, a noté que cette approche s'appuie sur des méthodes d'apprentissage automatique dont l'efficacité pour classer les données structurelles a été démontrée. L'auteur principal, Nobuyuki Matubayasi, a précisé que le réseau a déterminé les descripteurs les plus efficaces grâce à ce processus.
Les résultats ont été publiés dans Communications Chemistry. Ce cadre pourrait améliorer la compréhension de la manière dont les changements moléculaires sont liés aux propriétés thermodynamiques de l'eau.
