В течение длительного времени в научном сообществе существовала гипотеза, что на молекулярном уровне обычная вода представляет собой динамическую смесь двух различных жидкостей – более плотной и менее плотной, – которые непрерывно меняют своё состояние. До сих пор зафиксировать реальные физические подтверждения этой микроскопической трансформации было чрезвычайно сложно из-за сверхвысокой скорости процессов.
Однако недавно, благодаря применению передовых технологий искусственного интеллекта, команда исследователей заявила об обнаружении долгожданных молекулярных доказательств. Масштабное исследование, результаты которого были опубликованы в журнале Nature Physics, может стать ключом к разгадке многих аномальных свойств этого вещества.
Как пишет Live Science, это открытие не только подтверждает смелую двухкомпонентную теорию, но и открывает совершенно новые горизонты для химии, биологии и медицины. Идея о двойной природе воды не нова, однако долгое время она оставалась на уровне теоретических предположений. Один из соавторов исследования, физико-химик Сяо Чен Цзэн из Городского университета Гонконга, посвятил изучению свойств воды несколько десятилетий. Гипотеза о двухкомпонентном состоянии заинтересовала его еще в середине 2000-х годов, но тогда задача казалась слишком сложной для прямого экспериментального или компьютерного анализа.
Ситуация изменилась около десяти лет назад, когда появились первые косвенные данные, что переохлажденная вода способна разделяться на две формы различной плотности. Настоящий прорыв произошел около двух с половиной лет назад, когда исследователи решили отойти от традиционных методов анализа, которые годами не давали четкого результата, и привлекли к работе алгоритмы глубокого обучения.
Для решения этой фундаментальной задачи учёные использовали метод неконтролируемого глубокого обучения (unsupervised deep learning). Особенность этого подхода заключается в том, что нейросеть не обучали заранее подготовленным шаблонам — она должна была самостоятельно искать скрытые закономерности в огромном массиве информации.
Исследователи запустили сверхмощные симуляции молекулярной динамики с помощью программного комплекса GROMACS. Они отслеживали траектории движения и взаимодействие сотен тысяч молекул воды, что сгенерировало десятки миллионов отдельных точек данных. По оценкам авторов проекта, традиционный анализ такого объема информации силами аспирантов и студентов мог бы занять около десятилетия. Искусственный интеллект справился с этой задачей всего за полтора года. В результате алгоритм выделил ключевые переменные – так называемые "координаты реакции", которые точно описывают процесс перехода локальных групп молекул из плотного состояния в рыхлое и наоборот. Это позволило ученым подробно изучить энергетические барьеры, которые приходится преодолевать молекулам во время этой трансформации. Анализ показал, что механизм перехода между двумя структурами напрямую зависит от внешних условий. В большинстве случаев изменение состояния происходит по относительно простому пути, который авторы назвали "полупетлей" (semi-loop), где молекулам нужно преодолеть лишь один энергетический барьер.
Однако при определенных условиях, а именно вблизи критической границы сосуществования высокоплотной и низкоплотной форм (что напоминает температуру замерзания воды при 0 градусах Цельсия), поведение системы резко меняется. Молекулы начинают двигаться по более сложному круговому маршруту – "полной петле" (full-loop), которая содержит уже три отдельных энергетических барьера.
Профессор Цзэн сравнивает это с восхождением на гору, разделенную пополам: с одной стороны у нее плавный склон (полупетля), а с другой – отвесная скала. Однако на границе раздела появляется возможность обойти всю вершину по кругу (полная петля). Это открытие помогает научно обосновать многочисленные странности в поведении воды. В отличие от большинства жидкостей, которые при охлаждении становятся более плотными,
вода достигает максимальной плотности при температуре около 4 градусов Цельсия, а затем начинает расширяться (именно поэтому лёд не тонет). Она также демонстрирует уникальную теплоемкость и нетипичные изменения вязкости под давлением. Теперь ясно, что все эти аномалии связаны между собой и обусловлены именно двуструктурной моделью.
В настоящее время команда работает над созданием еще более точной модели машинного обучения, чтобы окончательно связать молекулярные переходы с макроскопическими свойствами воды. Следующим шагом должно стать прямое экспериментальное подтверждение этих процессов в лабораторных условиях с помощью сверхчувствительных спектроскопических методов.