Το νερό καλύπτει το μεγαλύτερο μέρος της επιφάνειας της Γης, ωστόσο συμπεριφέρεται με τρόπους που το ξεχωρίζουν από σχεδόν κάθε άλλο υγρό. Μία από τις πιο ασυνήθιστες ιδιότητές του είναι ότι διαστέλλεται αντί να συστέλλεται όταν στερεοποιείται. Οι επιστήμονες έχουν συνδέσει εδώ και καιρό αυτές τις παράξενες συμπεριφορές με αλλαγές στη μικροσκοπική δομή του νερού καθώς αλλάζουν θερμοκρασία και πίεση, αλλά δεν έχουν έναν συνεπή τρόπο περιγραφής και σύγκρισης αυτών των δομικών αλλαγών.
Τώρα, οι ερευνητές στο Πανεπιστήμιο της Οσάκα έχουν στραφεί στην τεχνητή νοημοσύνη (AI) για να αντιμετωπίσουν αυτήν την πρόκληση. Το σύστημα τεχνητής νοημοσύνης τους παρέχει έναν ενοποιημένο τρόπο σύγκρισης διαφορετικών μεθόδων περιγραφής της σύνθεσης του υπερψυγμένου νερού, βοηθώντας στον εντοπισμό ποιες έχουν τις πιο σημαντικές ιδιότητες. Η μελέτη δημοσιεύτηκε Επικοινωνήστε με τη χημεία.
Γιατί το υπερψυγμένο νερό συμπεριφέρεται τόσο περίεργα;
Για να παγώσει το υγρό νερό, τα μόριά του πρέπει να τακτοποιηθούν σε ένα διατεταγμένο κρυσταλλικό πλέγμα. Αυτή η διαδικασία ξεκινά από τη θέση πυρήνωσης, μια επιφάνεια όπου μπορούν να αρχίσουν να σχηματίζονται κρύσταλλοι πάγου. Μικροσκοπικές ακαθαρσίες στο νερό ή ακόμα και μικροσκοπικές γρατσουνιές μέσα σε ένα δοχείο μπορούν να παρέχουν αυτά τα σημεία εκκίνησης.
Εάν αυτές οι θέσεις πυρήνωσης απουσιάζουν, το νερό μπορεί να παραμείνει υγρό ακόμα και αφού κρυώσει κάτω από το κανονικό σημείο πήξης. Αυτή η ασυνήθιστη κατάσταση είναι γνωστή ως υπερψυγμένο νερό.
Κάτω από αυτές τις συνθήκες οι ασυνήθιστες ιδιότητες του νερού γίνονται πιο εμφανείς. Οι επιστήμονες πιστεύουν ότι αυτές οι συμπεριφορές συνδέονται με την ισορροπία μεταξύ δύο ανταγωνιστικών λιπιδίων: μιας λιποπρωτεΐνης υψηλής πυκνότητας (HDL) και μιας λιποπρωτεΐνης χαμηλής πυκνότητας (LDL). Σε μοριακό επίπεδο, τα μόρια του νερού δημιουργούν και σπάνε συνεχώς δίκτυα δεσμών υδρογόνου. Καθώς η θερμοκρασία αυξάνεται, οι πιο συμπαγείς δομές HDL γίνονται όλο και πιο κυρίαρχες έναντι της πιο ανοιχτής δομής της LDL.
Η τεχνητή νοημοσύνη συγκρίνει ανταγωνιστικά μοντέλα νερού
Με τα χρόνια, οι ερευνητές έχουν προτείνει διάφορους τρόπους για να περιγράψουν την τοπική διάταξη των μορίων του νερού, συμπεριλαμβανομένων μέτρων όπως η σειρά τετραεδρικού δεσμού και η τοπική πυκνότητα. Επειδή αυτοί οι δομικοί περιγραφείς αναπτύχθηκαν ανεξάρτητα, χρησιμοποιούν διαφορετικές κλίμακες, διαστάσεις και τύπους δεδομένων. Αυτό καθιστά δύσκολη την απευθείας σύγκριση τους και τον προσδιορισμό του πιο χρήσιμου.
«Προηγούμενες μελέτες έχουν δείξει ότι η χρήση μηχανικής μάθησης για την ταξινόμηση και την κατανόηση δομημένων δεδομένων είναι αποτελεσματική», εξηγεί ο αντίστοιχος συγγραφέας Kang Kim. «Θέλαμε συγκεκριμένα να συμπεριλάβουμε ένα μοντέλο νευρωνικών δικτύων σε αυτή τη μελέτη για να αξιολογήσουμε πόσο ακριβείς ήταν οι περιγραφείς στην αποτύπωση βασικών δομικών πληροφοριών, με τρόπο που να μοιάζει με την ανθρώπινη γνώση».
Για να εκπαιδεύσουν την τεχνητή νοημοσύνη, οι ερευνητές τροφοδοτούσαν το νευρωνικό δίκτυο δομικά δεδομένα που παράγονται από προσομοιώσεις μοριακής δυναμικής υπερψυκτικού νερού. Μέσω επαναλαμβανόμενων δοκιμών και σφαλμάτων, το σύστημα μαθαίνει να αναγνωρίζει σημαντικά μοτίβα στη μοριακή δομή.
Νέες ενδείξεις για την κρυμμένη δομή του νερού
«Το δίκτυο χρησιμοποίησε ό,τι έμαθε για να συγκρίνει πώς 16 περιγραφείς διαφοροποιούν τις δομές LDL και HDL σε διαφορετικές θερμοκρασίες», αναφέρει ο Nobuyuki Matubayashi, ανώτερος συγγραφέας. «Έτσι, προσδιορίσαμε τον πιο αποτελεσματικό περιγραφέα».
Οι ερευνητές λένε ότι η δομή τους θα μπορούσε να βελτιώσει την κατανόηση των επιστημόνων για το πώς οι μικροσκοπικές δομικές αλλαγές συνδέονται με τη θερμοδυναμική συμπεριφορά του νερού. Τα ευρήματα θα μπορούσαν επίσης να βοηθήσουν στην εξήγηση της προέλευσης των ασυνήθιστων ιδιοτήτων του νερού, καθοδηγώντας παράλληλα την ανάπτυξη καλύτερων εργαλείων για τη μελέτη της πολύπλοκης μοριακής δομής του.
