1115
Одну з найтриваліших суперечок у фізиці води допомогла розв’язати нейромережа: дослідники з Університету Осаки використали машинне навчання, щоб оцінити, як саме на молекулярному рівні влаштована переохолоджена вода. Результати підтримують так звану модель двох рідин — уявлення, що вода існує як суміш двох різних локальних структур. Роботу опубліковано в журналі Communications Chemistry.
Понад століття науковці намагаються пояснити аномалії води: чому вона розширюється при замерзанні, має максимум густини близько 4 °C і поводиться незвично при переохолодженні нижче точки замерзання. Одна з провідних гіпотез припускає, що на мікрорівні вода складається з двох конкурентних форм — рідини високої густини (HDL) та рідини низької густини (LDL), співвідношення яких змінюється з температурою.
Команда під керівництвом Нобуюкі Матубаясі та Кана Кіма навчила нейронну мережу на даних молекулярно-динамічного моделювання й доручила їй порівняти 16 структурних дескрипторів — математичних способів описати взаємне розташування молекул. Штучний інтелект оцінив, які з цих характеристик найкраще розрізняють структури HDL і LDL за різних температур. Замість того щоб покладатися на інтуїтивно обрані параметри, дослідники отримали об’єктивний, керований даними спосіб визначити найінформативніші ознаки молекулярного порядку.
Такий підхід усуває давню методологічну проблему: раніше різні наукові групи користувалися різними дескрипторами, і результати важко було порівнювати. Єдина система оцінки дала змогу поставити конкурентні описи на спільну основу й показати, що поділ на дві структурні форми справді має фізичний сенс, а не є артефактом обраного методу аналізу.
Значення роботи виходить за межі суто академічного інтересу. Вода лежить в основі біології, хімії та кліматичних процесів, тож точне розуміння її мікроструктури важливе для моделювання всього — від згортання білків до поведінки хмар. Крім того, дослідження демонструє, як машинне навчання може ставати інструментом не лише для передбачень, а й для перевірки конкурентних наукових теорій, допомагаючи людям обирати між гіпотезами там, де класичні методи заходили в глухий кут.
