Wasser ist so vertraut, dass man seine Merkwuerdigkeiten leicht uebersieht. Anders als fast jede andere Fluessigkeit dehnt es sich beim Gefrieren aus, und seine groesste Dichte erreicht es nicht am Gefrierpunkt, sondern bei etwa 4 C. Seit Jahrzehnten fuehren Forschende diese Eigenheiten darauf zurueck, wie sich die molekulare Struktur des Wassers mit Temperatur und Druck umordnet, doch es fehlte ihnen eine gemeinsame, einheitliche Methode, um diese Umordnungen zu messen und zu vergleichen.
Ein Team der Universitaet Osaka hat nun eine solche entwickelt, mithilfe kuenstlicher Intelligenz (KI). In Communications Chemistry beschreiben Kohei Yoshikawa, Kokoro Shikata, Kang Kim und Nobuyuki Matubayasi ein neuronales Netz, das als gemeinsamer Massstab fuer die vielen konkurrierenden Beschreibungen der lokalen Ordnung des Wassers dient.
Am deutlichsten zeigt sich das Raetsel bei unterkuehltem Wasser, einer Fluessigkeit, die unter ihren normalen Gefrierpunkt abgekuehlt wird, ohne zu Eis zu werden. Zum Gefrieren braucht es einen Ausgangspunkt, einen Keimbildungsort wie eine Verunreinigung oder einen Kratzer in einem Behaelter; fehlen diese, kann Wasser weit unter 0 C fluessig bleiben. In diesem Zustand treten seine Anomalien noch staerker hervor. Fachleute erklaeren sie durch ein Tauziehen zwischen zwei Formen derselben Fluessigkeit: einer kompakten Fluessigkeit hoher Dichte (HDL) und einer offeneren, geordneten Fluessigkeit niedriger Dichte (LDL), wobei sich Wasserstoffbruecken zwischen den Molekuelen staendig bilden und wieder loesen. Mit steigender Temperatur setzen sich die kompakten HDL-Anordnungen zunehmend durch.
Um dies zu erfassen, haben Forschende zahlreiche "Strukturdeskriptoren" vorgeschlagen, Masse wie die tetraedrische Bindungsordnung und die lokale Dichte. Da jeder fuer sich entwickelt wurde, verwenden sie unterschiedliche Skalen und Dimensionen und kodieren unterschiedliche Informationen, was einen direkten Vergleich erschwert.
Die Osaka-Gruppe machte aus diesem Vergleich eine Aufgabe fuer maschinelles Lernen. Sie speiste ein neuronales Netz mit Strukturdaten aus Molekulardynamik-Simulationen und trainierte es durch Versuch und Irrtum darauf, Konfigurationen nach Temperatur zu ordnen. "Wir wollten gezielt ein neuronales Netzmodell in diese Studie einbeziehen, um zu bewerten, wie genau die Deskriptoren wichtige Strukturinformationen erfassen, auf eine Weise, die dem menschlichen Erkennen aehnelt", sagte Kim, der korrespondierende Autor. Das Netz beurteilte anschliessend, wie gut jeder der 16 Deskriptoren LDL von HDL ueber verschiedene Temperaturen hinweg trennte, und ermittelte die effizientesten. Eine Schicht erklaerbarer KI zeigte, welche Strukturmerkmale seine Entscheidungen bestimmten.
Warum das wichtig ist
Das Ergebnis ist ein datengestuetzter Massstab zum Vergleich von Deskriptoren, ein Schritt dahin, die mikroskopischen Schwankungen des Wassers mit seinem messbaren Verhalten zu verknuepfen. "Das Netz nutzte das Gelernte, um zu vergleichen, wie 16 Deskriptoren zwischen LDL- und HDL-Strukturen bei unterschiedlichen Temperaturen unterschieden", sagte Seniorautor Matubayasi. "Auf diese Weise haben wir die effizientesten Deskriptoren bestimmt." Der Rahmen, so das Team, koennte die Werkzeuge zur Untersuchung von Wasser schaerfen und helfen zu erklaeren, woher seine hartnaeckigen Anomalien stammen.