Вода — странная субстанция.
Она покрывает нашу планету и составляет основу нашего организма, но отказывается вести себя как обычная жидкость. Заморозьте её? Она расширяется. Странно.
На протяжении многих лет учёные связывали эту странность с микроскопическими структурными сдвигами, но последовательное измерение этих изменений было настоящим кошмаром. Разные масштабы, разные метрики, отсутствие чёткого способа для сравнения.
До сих пор.
Исследователи из Университета Осаки доверили решение этой проблемы искусственному интеллекту. Исследование, опубликованное в журнале Communications Chemistry, использует ИИ для оценки того, насколько адекватны наши описания структуры переохлаждённой воды. Оказывается, не все описательные методы равнозначны.
Зачем именно переохлаждённая вода?
Для замерзания льду нужен толчок. Кристаллической решётке требуется центр кристаллизации. Частица пыли, царапина на стекле. Начни с этого, и начнётся рост кристалла.
Уберите этот толчок?
Охладите воду ниже нуля. Она останется жидкой.
Это и есть переохлаждённая вода, и её причуды лишь усиливаются. Ведущая теория утверждает, что здесь идёт борьба за превосходство двух конкурирующих форм: жидкости с высокой плотностью (HDL), плотно упакованной и сжатой, и жидкости с низкой плотностью (LDL), открытой и разреженной. Водородные связи постоянно перестраивают эту сеть. Нагрев? HDL берёт верх. Охлаждение? LDL оказывает сопротивление.
«Смена состояния происходит не скачком. Это структурное согласование.»
Сравнение яблок с апельсинами?
Исследователи придумали множество способов описывать локальную молекулярную структуру. Тетраэдрический порядок связи. Локальная плотность. Всё это полезно, но ничто не сопоставимо друг с другом напрямую.
Один дескриптор использует метры, другой — углы, третий — «сырую» вероятность. Вы просто не можете свести их в одну таблицу.
Канг Ким, ведущий автор исследования, выразился просто: прошлые работы доказали, что машинное обучение хорошо справляется со структурными данными. Они хотели узнать, сможет ли нейронная сеть имитировать человеческое познание, чтобы определить, какие дескрипторы действительно отражают истину, а какие — нет.
Они обучали ИИ на симуляциях молекулярной динамики в этом капризном переохлаждённом состоянии. Проб и ошибок, раунд за раундом. Сеть научилась распознавать закономерности, скрытые в шуме данных.
Вердикт
ИИ проанализировал 16 различных структурных дескрипторов. Его задача? Отличить LDL от HDL при различных температурах.
Старший автор исследования Нобуюки Матубаясис сообщил результаты. Сеть определила, какие дескрипторы действительно эффективны, а какие являются просто шумом.
Речь шла не о замене учёных. Речь шла о фильтрации сигнала от лишних помех.
Разработанная рамка предлагает более чёткий путь вперёд. Мы наконец-то можем связать микроскопические структурные изменения с макроскопическим термодинамическим поведением. Возможно, даже объяснить, почему вода ведёт себя именно так.
Полезный инструмент. Более острый фокус.
Вода по-прежнему остаётся удивительной.
Но теперь? У нас есть лучший «зрение», чтобы наблюдать за ней.
Или нет? В конце концов, природа любит держать пару секретов.
Источники: Kohei Yoshikawa et al. «Оценка структурных дескрипторов с помощью машинного обучения». Communications Chemistry (6 июля 2026 г.). DOI: 10.1004/s4204-06-007-1.
