Para peneliti di Universitas Osaka telah menggunakan kecerdasan buatan untuk membandingkan model struktur mikroskopis air dalam keadaan superdingin. Penelitian ini mengidentifikasi deskriptor paling efektif untuk membedakan antara dua bentuk cair air yang saling bersaing.
Para ilmuwan telah lama mengamati bahwa air mengembang saat membeku dan menunjukkan perilaku tidak lazim lainnya. Sifat-sifat ini terkait dengan pergeseran antara cairan berdensitas tinggi dan cairan berdensitas rendah di tingkat molekuler, terutama ketika air didinginkan di bawah titik beku normalnya tanpa memadat. Tim tersebut melatih jaringan saraf menggunakan data dari simulasi dinamika molekuler. Model ini mengevaluasi 16 deskriptor struktural untuk menentukan mana yang paling baik dalam menangkap perbedaan utama antara kedua keadaan cair tersebut pada suhu yang bervariasi. Penulis koresponden Kang Kim mencatat bahwa pendekatan ini memanfaatkan metode pembelajaran mesin yang terbukti efektif untuk mengklasifikasikan data struktural. Penulis senior Nobuyuki Matubayasi mengatakan bahwa jaringan tersebut menentukan deskriptor paling efisien melalui proses ini. Temuan ini telah dipublikasikan di Communications Chemistry. Kerangka kerja ini dapat meningkatkan pemahaman tentang bagaimana perubahan molekuler berkaitan dengan sifat termodinamika air.
