El agua es rara.
Cubre el planeta, se mete debajo de la piel, pero se niega a actuar como un líquido normal. ¿Congelarlo? Se expande. Extraño.
Durante años, los científicos vincularon esta rareza con cambios estructurales microscópicos, pero medir esos cambios de manera consistente fue un desastre. Diferentes escalas, diferentes métricas, no hay una forma clara de compararlas.
Hasta ahora.
Investigadores de la Universidad de Osaka confiaron el problema a la inteligencia artificial. El estudio, publicado en Communications Chemistry, utiliza IA para evaluar cómo describimos la estructura del agua sobreenfriada. Resulta que no todas las descripciones son iguales.
¿Por qué sobreenfriado?
El hielo necesita un empujón. Una red cristalina exige un sitio de nucleación. Una mota de polvo, un arañazo en el cristal. Empiece por ahí y se producirá el crecimiento.
¿Quitar el empujón?
Agua fría bajo cero. Queda líquido.
Se trata de agua sobreenfriada y sus peculiaridades se amplifican. La principal teoría dice que es un tira y afloja entre dos formas en competencia. Líquido de alta densidad (HDL), hermético y compacto. Líquido de baja densidad (LDL), abierto y espacioso. Los enlaces de hidrógeno reconectan constantemente la red. ¿El calor aumenta? HDL toma el control. ¿Enfriarse? LDL contraataca.
“El cambio no es repentino. Es una negociación estructural”.
¿Comparando manzanas con naranjas?
Los investigadores han inventado muchas formas de describir la estructura molecular local. Orden de enlace tetraédrico. Densidad local. Todos útiles, ninguno comparable.
Un descriptor utiliza metros, otro ángulos y otro probabilidad bruta. No puedes simplemente ponerlos en la misma hoja de cálculo.
Kang Kim, el autor correspondiente del estudio, lo expresó simplemente: trabajos anteriores demostraron que el aprendizaje automático maneja bien los datos estructurales. Querían saber si una red neuronal podría imitar la cognición humana para juzgar qué descriptores realmente capturan la verdad.
Entrenaron a la IA en simulaciones de dinámica molecular de ese complicado estado sobreenfriado. Prueba y error, ronda tras ronda. La red aprendió los patrones ocultos en el ruido.
El veredicto
La IA analizó 16 descriptores estructurales diferentes. ¿Su trabajo? Diferenciar entre LDL y HDl a varias temperaturas.
El autor principal, Nobuyuki Matubayasis, informó los resultados. La red identificó qué descriptores eran realmente eficientes. Cuáles eran sólo ruido.
No se trataba de reemplazar a los científicos. Se trataba de filtrar la señal del desorden.
El marco sugiere un camino más claro a seguir. Finalmente podemos vincular los cambios estructurales microscópicos con el comportamiento termodinámico macroscópico. Tal vez incluso explique por qué el agua se comporta como lo hace.
Una herramienta útil. Una lente más nítida.
El agua sigue siendo notable.
¿Pero ahora? Tenemos mejores ojos para observarlo.
O tal vez no lo hagamos. Después de todo, a la naturaleza le gustan uno o dos secretos.
Referencia: Kohei Yoshikawa et al. “Evaluación del aprendizaje automático de descriptores estructurales”. Química de las Comunicaciones (6 de julio de 2026). DOI: 10.1004/s4204-06-007-1.
