Понимание пути воды с помощью машинного обучения

Nov 20, 2023

Заполните форму ниже, и мы вышлем вам PDF-версию книги «Понимание пути воды с помощью машинного обучения» по электронной почте.

Заполните форму ниже, чтобы разблокировать доступ ко ВСЕМ аудиостатьям.

Вода десятилетиями озадачивала учёных. В течение последних 30 лет или около того они выдвигали теорию, что при охлаждении до очень низкой температуры, например -100°С, вода может разделиться на две жидкие фазы разной плотности. Подобно маслу и воде, эти фазы не смешиваются и могут помочь объяснить некоторые другие странные явления воды, например, то, как она становится менее плотной при охлаждении.

Однако изучить это явление в лаборатории практически невозможно, поскольку вода при таких низких температурах очень быстро кристаллизуется в лед. Теперь новое исследование Технологического института Джорджии использует модели машинного обучения, чтобы лучше понять фазовые изменения воды, открывая больше возможностей для лучшего теоретического понимания различных веществ. С помощью этого метода исследователи нашли убедительные вычислительные доказательства в поддержку перехода воды из жидкости в жидкость, которые можно применить к реальным системам, использующим воду для работы.

«Мы делаем это с помощью очень подробных квантово-химических расчетов, которые стараются быть как можно ближе к реальной физике и физической химии воды», — сказал Томас Гартнер, доцент Школы химической и биомолекулярной инженерии Технологического института Джорджии. «Это первый раз, когда кому-либо удалось изучить этот переход с таким уровнем точности».

Исследование было представлено в статье «Переход жидкость-жидкость в воде из первых принципов» в журнале Physical Review Letters с соавторами из Принстонского университета.

Чтобы лучше понять, как взаимодействует вода, исследователи провели молекулярное моделирование на суперкомпьютерах, которые Gartner сравнил с виртуальным микроскопом.

«Если бы у вас был бесконечно мощный микроскоп, вы могли бы полностью приблизиться к уровню отдельных молекул и наблюдать, как они движутся и взаимодействуют в реальном времени», — сказал он. «Это то, что мы делаем, создавая почти компьютерный фильм».

Исследователи проанализировали, как движутся молекулы, и охарактеризовали структуру жидкости при различных температурах и давлениях воды, имитируя фазовое разделение жидкостей с высокой и низкой плотностью. Они собрали обширные данные, проведя несколько симуляций на срок до года, и продолжили совершенствовать свои алгоритмы для получения более точных результатов.

Даже десять лет назад проведение такого длительного и детального моделирования было бы невозможно, но сегодня машинное обучение предлагает короткий путь. Исследователи использовали алгоритм машинного обучения, который рассчитывал энергию взаимодействия молекул воды друг с другом. Эта модель выполнила расчет значительно быстрее, чем традиционные методы, что позволило проводить моделирование гораздо эффективнее.

Машинное обучение не идеально, поэтому длительное моделирование также повысило точность прогнозов. Исследователи тщательно проверили свои прогнозы с помощью различных типов алгоритмов моделирования. Если несколько симуляций давали схожие результаты, то это подтверждало их точность.

«Одна из проблем этой работы заключается в том, что у нас не так много данных, с которыми мы могли бы сравнивать, потому что эту проблему практически невозможно изучить экспериментально», — сказал Gartner. «Мы действительно раздвигаем границы, и это еще одна причина, почему так важно попытаться сделать это, используя несколько различных вычислительных методов».

Некоторые из условий, которые протестировали исследователи, были экстремальными, которые, вероятно, не существуют непосредственно на Земле, но потенциально могут присутствовать в различных водных средах Солнечной системы, от океанов Европы до воды в центре комет. Тем не менее, эти результаты также могут помочь исследователям лучше объяснять и предсказывать странный и сложный физический химический состав воды, информировать об использовании воды в промышленных процессах, разрабатывать более совершенные модели климата и многое другое.