大阪大学吉川宏平、金康与松林宣之等学者在《通讯：化学》发表最新成果，首次利用人工智能系统评估过冷水的微观结构表征框架。水结冰膨胀等反常特性与温度压力变化下的微观结构演变密切相关，但长期缺乏统一描述体系。研究以分子动力学模拟数据为基础，构建神经网络模型，将水分子局域环境转化为特征向量，并纳入16种传统结构描述符进行量化比对。该模型通过自适应学习，精准评估各参数在区分高密度与低密度液态水相变中的有效性，最终筛选出信息编码最精准的核心描述符。此项工作突破了以往各类描述符维度孤立、难以横向对比的局限，构建了AI驱动的结构分析统一框架。研究成果为揭示水分子氢键网络的动态重构机制提供了精准工具，将有助于学界深入探索水在低温下的热力学状态与结构涨落关联，进一步解开水的反常物性起源之谜，并为未来流体模拟与材料设计提供理论支撑。