Si bien se percibe que el agua es una de las sustancias más simples del mundo, Modelar su comportamiento a nivel atómico o molecular ha frustrado a los científicos durante décadas. Hasta la fecha, ningún modelo ha sido capaz de representar con precisión la plétora de características singulares del agua, incluido el hecho de que es más denso a una temperatura ligeramente superior a su punto de fusión.

Un nuevo estudio del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) ha logrado un gran avance en el esfuerzo por representar matemáticamente cómo se comporta el agua. Para hacerlo Los investigadores de Argonne utilizaron el aprendizaje automático para desarrollar un nuevo modelo de agua computacionalmente económico que representa con mayor precisión las propiedades termodinámicas del agua, incluyendo cómo el agua se convierte en hielo a escala molecular.

En el estudio, Los investigadores del Centro de Materiales a Nanoescala (CNM) de Argonne utilizaron un flujo de trabajo de aprendizaje automático para optimizar un nuevo modelo molecular de agua. Entrenaron su modelo contra una gran cantidad de datos experimentales para generar un modelo a escala molecular de alta precisión de las propiedades del agua. El CNM es una instalación para usuarios de la Oficina de Ciencias del DOE.

La optimización de los parámetros del modelo para el agua ha sido un desafío durante mucho tiempo, y actualmente existen más de 50 modelos de agua diferentes, según el nanocientífico de Argonne Subramanian Sankaranarayanan, autor correspondiente del estudio.

"Estamos tratando de entender cómo navegar por el complejo espacio de parámetros para cualquier modelo dado con el fin de capturar un amplio espectro de propiedades del agua, que es extremadamente dificil, ", Explicó Sankaranarayanan." No existe un modelo que pueda explicar el punto de fusión del agua, su densidad máxima y la densidad del hielo, todo al mismo tiempo."

Tratar de crear modelos mecánicos cuánticos o atomísticos para capturar el comportamiento del agua había desconcertado a los investigadores porque son muy intensivos en computación y aún no logran reproducir muchas propiedades del agua dependientes de la temperatura. Según Henry Chan, Investigador postdoctoral de Argonne y autor principal del estudio, esto es aún más difícil de lograr para modelos simples, como el utilizado en este estudio.

Para los investigadores, la elección de utilizar moléculas de agua enteras como unidad fundamental en el modelo les permitió realizar la simulación a bajo costo computacional.

"Aunque tradicionalmente estos modelos simples introducen una serie de aproximaciones y, a menudo, adolecen de una precisión deficiente, el aprendizaje automático nos permite crear un modelo mucho más preciso manteniendo la simplicidad, "dijo el profesor asistente de la Universidad de Louisville, Badri Narayanan, co-primer autor del estudio.

Sin embargo, incluso con este gasto computacional reducido, algunas propiedades físicas pueden ser difíciles de simular sin supercomputadoras a gran escala. El equipo utilizó la supercomputadora Mira en Argonne Leadership Computing Facility, una instalación para usuarios de la Oficina de Ciencias del DOE, realizar simulaciones de hasta 8 millones de moléculas de agua para estudiar el crecimiento y formación de interfaces en hielo policristalino.

Según el co-primer autor y científico asistente del CNM Mathew Cherukara, este nuevo modelo, denominada "de grano grueso, "logra una fidelidad a la par con los modelos que incorporan una descripción de nivel atómico". Tradicionalmente, pensaría que la introducción de estas aproximaciones normalmente daría como resultado un modelo mucho peor, uno que es eficiente pero que no funciona muy bien, ", dijo." La belleza es que este modelo molecular no tiene derecho a ser tan preciso como los modelos atomísticos, pero aún así termina siendo ".

Para lograr la alta precisión del modelo de grano grueso, los investigadores entrenaron el modelo utilizando información extraída de casi mil millones de configuraciones a escala atómica que involucran propiedades dependientes de la temperatura que son bien conocidas. "Esencialmente, le dijimos a nuestro modelo, 'Mira, esto es lo que son las propiedades, 'y le pidió que nos diera parámetros que fueran capaces de reproducirlos, "Dijo Chan.

El entrenamiento del modelo implicó lo que Chan llamó un "enfoque jerárquico, "en el que cada modelo candidato se sometió a una serie de pruebas o evaluaciones, comenzando con las propiedades esenciales básicas antes de continuar con las más complejas. "Puedes pensar en ello como intentar enseñarle a un niño una habilidad, "Dijo Chan." Empiezas con algo fundamental y avanzas una vez que ves el progreso ".

Los investigadores también demostraron que su enfoque podría usarse para mejorar el rendimiento de otros modelos atomísticos y moleculares existentes. "Pudimos mejorar significativamente el rendimiento de los modelos de agua de alta calidad existentes utilizando nuestro enfoque jerárquico. En principio, deberíamos poder revisar todos los modelos moleculares y ayudar a cada uno de ellos a lograr su mejor desempeño, "Dijo Sankaranarayanan.

Un artículo basado en el estudio, "Modelos de grano grueso de aprendizaje automático para el agua, "apareció en la edición en línea del 22 de enero de Comunicaciones de la naturaleza . Otros autores de Argonne incluyeron a Chris Benmore, Stephen Gray, y Troy Loeffler.