Автор admin 
Науковці тривалий час пов’язували таку поведінку зі змінами мікроскопічної структури речовини під впливом коливань температури та тиску, проте досі їм бракувало універсального методу для точного опису та порівняння цих структурних трансформацій.
Читайте также: Має спрацювати. Вчені протестували новий інструмент для пошуків життя на Марсі
Для розв’язання цієї проблеми дослідники з Університету Осаки застосували технології штучного інтелекту. Розроблена ними система дозволила створити єдину платформу для аналізу різних методів опису структури переохолодженої води та визначення найбільш точних із них.
Результати цієї наукової роботи були опубліковані у журналі Communications Chemistry.
У звичайних умовах для перетворення рідини на лід молекули мають вибудуватися в упорядковану кристалічну решітку. Цей процес стартує у центрах зародження кристалізації — мікроскопічних подряпинах на поверхні контейнера або найдрібніших домішках у самій воді. За умови повної відсутності таких центрів вода здатна залишатися рідкою навіть за температури, значно нижчої від офіційної точки замерзання. Цей стан науковці називають переохолодженою водою.
Саме в такому стані унікальні властивості води виявляються найяскравіше. Фахівці пояснюють це конкуренцією між двома формами рідини: високої щільності(HDL) та низької щільності(LDL). На молекулярному рівні водневі зв’язки постійно формуються та руйнуються. З підвищенням температури компактні структури високої щільності починають домінувати над більш розімкненими структурами низької щільності.
Читайте также: Еволюція напівпровідників. Інженери навчили кремнієві чипи синтезувати ДНК у воді
Протягом багатьох років дослідники пропонували різні параметри для опису локального розташування молекул, зокрема локальну щільність та порядок тетраедричних зв’язків. Оскільки ці дескриптори створювалися незалежно різними групами вчених, вони базувалися на відмінних масштабах(де мікроскопічні параметри вимірювалися виключно в нанометрах і метричних одиницях) та типах даних, що унеможливлювало їхнє пряме порівняння.
Провідний автор дослідження Кан Кім зазначив, що використання машинного навчання вже довело свою ефективність у класифікації структурних даних. У поточному проєкті автори інтегрували модель нейромережі, щоб оцінити, наскільки точно існуючі дескриптори вловлюють ключову структурну інформацію, імітуючи людське пізнання.
Для навчання ШІ дослідники завантажили в систему масиви даних, отримані в результаті моделювання молекулярної динаміки. Шляхом численних ітерацій нейромережа навчилася розпізнавати закономірності в молекулярних структурах. Інший співавтор роботи, Нобуючи Матубаясі, повідомив, що система проаналізувала 16 різних дескрипторів, оцінюючи їхню здатність розрізняти форми високої та низької щільності за різних температурних умов. Це дозволило чітко визначити найефективніші інструменти аналізу.
Науковці переконані, що запропонована методика значно покращить розуміння зв’язку між мікроскопічними змінами та термодинамічною поведінкою води. Отримані результати не лише пояснюють походження аномальних властивостей рідини, але й стануть базою для створення ще досконаліших інструментів дослідження складних молекулярних систем.
Читайте также: Часів Ассирійської імперії. В Ізраїлі знайшли рідкісну печатку віком 2700 років