根據日本大阪大學最新研究指出，科學家利用人工智慧（AI）成功破解了水結冰膨脹的百年謎團。這一突破性成果發表於《Communications Chemistry》期刊，揭示了水分子在不同溫度和壓力下的微觀結構變化。
數據發現：AI 系統性評比 16 種描述方法
大阪大學的研究團隊訓練了一個類神經網路模型，首次系統性評比了 16 種描述水分子結構的方法。這些方法包括四面體有序參數、局部密度等，但由於各自獨立發展，使用的尺度、維度和資訊類型不同，難以直接比較。
數據顯示，AI 學會辨認分子結構中有意義的模式，並能比較這些描述子在不同溫度下區分高密度液體（HDL）和低密度液體（LDL）結構的能力。最終，研究團隊找出了最有效率的描述子。
“過去的研究顯示，用機器學習分類和理解結構資料相當有效”，論文通訊作者 Kang Kim 解釋，”我們特別想在這項研究導入類神經網路模型，以類似人類認知的方式，評估這些描述子捕捉關鍵結構資訊的準確度。”
數據解讀：過冷水的怪異性質
要理解這項研究，需要先認識一種奇特狀態：過冷水（supercooled water）。液態水要變成冰，水分子必須排列成整齊的晶格，這過程需要成核點，如水中微小雜質或容器內壁的細微刮痕。如果完全沒有這些成核點，水即使降到冰點以下，仍然可以維持液態，即過冷水。
數據顯示，在過冷狀態下，水的怪異性質會更加明顯。科學家認為，這與液態水內部兩種互相競爭的型態——高密度液體（HDL）和低密度液體（LDL）有關。溫度升高時，排列較緊密的 HDL 結構會逐漸壓過結構較鬆散的 LDL。
“神經網路運用學到的知識，能比較這 16 種描述子在不同溫度下區分 LDL 與 HDL 結構”，資深作者松林伸幸（Nobuyuki Matubayasi）表示，”我們藉此找出最有效率的描述子。”
產業影響：建立評分標準
這項研究等於為科學界建立了一套「評分標準」，未來研究水的微觀結構時，就能知道該優先使用哪些工具。數據顯示，這套框架有助於釐清微觀結構變化如何連結到水的熱力學行為，可望進一步解釋水的種種異常性質從何而來。
研究團隊表示，這套框架不僅有助於開發更好的水分子結構研究工具，還有望應用於生物醫學、環境科學等多個領域。畢竟，從細胞生化反應到地球氣候，水無所不在。
「從產業面來看，這項研究不僅解決了基礎科學問題，還為開發新型材料和技術提供了可能。」
數據背後的啟示
基於這些數據，我們可以得出嚴謹的結論：AI 在科學研究中的應用正逐步揭開自然界的奧秘。大阪大學的這項研究成果不僅破解了水結冰膨脹的謎團，還為未來的水分子結構研究提供了新的工具和方法。
對於普通讀者來說，這意味著科學家們距離完全理解水這種最常見卻又最神秘的物質又邁出了一大步。這項研究不僅增進了我們對自然界的認識，還可能帶來實質性的技術進步。
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
AI 是如何幫助科學家研究水分子的？
AI 通過訓練類神經網路模型，系統性評比了 16 種描述水分子結構的方法，找出了最有效率的描述子，幫助科學家更好地理解和比較水分子在不同溫度和壓力下的微觀結構變化。
什麼是過冷水？
過冷水是指在冰點以下仍維持液態的水。這發生在沒有成核點的情況下，水分子無法排列成整齊的晶格，因此不會結冰。
這項研究有哪些實際應用？
這項研究建立了評分標準，有助於開發更好的水分子結構研究工具，並可能應用於生物醫學、環境科學等多個領域。例如，了解水的微觀結構變化有助於開發新型材料和技術。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。