Чтобы вода замерзла, молекулы должны упорядочиться и образовать кристаллическую решетку, как у льда. Молекулы прикрепляются к основе, так называемому центру кристаллизации, чтобы образовать твердую фазу. Примеси в воде или царапины на внутренней поверхности сосуда могут служить центрами кристаллизации.

Следовательно, вода в гладком, чистом сосуде может быть охлаждена ниже точки замерзания, но она не превратится в лед. Такое состояние называется переохлаждением воды.

Аномальное поведение воды становится более выраженным при переохлаждении. Аномалии объясняются переходом между двумя конкурирующими состояниями: жидкостью с высокой плотностью (ЖВП) и жидкостью с низкой плотностью (ЖНП). На микроскопическом уровне порядок в воде возникает благодаря сети межмолекулярных водородных связей, которая непрерывно меняется с течением времени. С повышением температуры свернутые структуры ЖВП начинают преобладать над открытыми структурами ЖНП.

Для характеристики локального порядка в воде были введены различные структурные дескрипторы, такие как порядок тетраэдрических связей и локальная плотность. Поскольку эти дескрипторы были предложены независимо друг от друга, они качественно различаются по параметрам и масштабам и кодируют разную структурную информацию. Это затрудняет систематическое сравнение дескрипторов для оценки их относительной важности.

«Предыдущие исследования показали, что использование машинного обучения для классификации и понимания структурных данных эффективно, — объясняет автор исследования Кан Ким. — Мы специально хотели включить в это исследование модель нейронной сети, чтобы оценить, насколько точно дескрипторы передают ключевую структурную информацию».

На вход сети подавались структурные данные переохлажденной воды, полученные в ходе компьютерных экспериментов, известных как молекулярно-динамическое моделирование. Чтобы сеть могла распознавать закономерности в данных, она использовала метод проб и ошибок.

«Сеть использовала полученные знания для сравнения того, как 16 дескрипторов различали структуры липопротеинов низкой и высокой плотности при разных температурах, — рассказывает Нобуюки Матубаяси, старший автор исследования. — Таким образом мы определили наиболее эффективные дескрипторы».

Полученные результаты помогут лучше понять взаимосвязь между структурными флуктуациями и термодинамическими состояниями воды, выяснить, откуда берутся аномальные свойства воды, и разработать улучшенные структурные дескрипторы.

[Фото: 2026, Kohei Yoshikawa et al., Machine learning evaluation of structural descriptors for supercooled water, Communications Chemistry]