Forskare vid University of Osaka har använt artificiell intelligens för att jämföra modeller av vattnets mikroskopiska struktur i dess underkylda tillstånd. Arbetet identifierar de mest effektiva deskriptorerna för att skilja mellan två konkurrerande flytande former av vatten.
Forskare har länge observerat att vatten expanderar när det fryser och uppvisar andra ovanliga beteenden. Dessa egenskaper är kopplade till skiften mellan en vätska med hög densitet och en vätska med låg densitet på molekylär nivå, särskilt när vatten kyls ner under sin normala fryspunkt utan att stelna.
Teamet tränade ett neuralt nätverk på data från simuleringar av molekylär dynamik. Modellen utvärderade 16 strukturella deskriptorer för att fastställa vilka som bäst fångade viktiga skillnader mellan de två vätsketillstånden vid varierande temperaturer.
Medförfattaren Kang Kim noterade att metoden drar nytta av maskininlärningsmetoder som visat sig vara effektiva för att klassificera strukturell data. Senior författare Nobuyuki Matubayasi sade att nätverket fastställde de mest effektiva deskriptorerna genom denna process.
Resultaten publicerades i Communications Chemistry. Ramverket kan förbättra förståelsen för hur molekylära förändringar relaterar till vattnets termodynamiska egenskaper.
