KI-gestützte Analyse entschlüsselt molekulare Ordnung in unterkühltem Wasser Forschende der Universität Osaka haben ein neuartiges Framework vorgestellt, das künstliche Intelligenz nutzt, um die komplexe molekulare Struktur von unterkühltem Wasser systematisch zu bewerten. Die Ergebnisse der Studie, veröffentlicht im Fachjournal Communications Chemistry, eröffnen neue Wege zum Verständnis der anomalen Eigenschaften von Wasser und etablieren ein standardisiertes Modell zur Charakterisierung seiner mikroskopischen Ordnung. Wasser verhält sich im Vergleich zu anderen Flüssigkeiten außergewöhnlich, da es beim Gefrieren expandiert. Dieses Verhalten wird auf Veränderungen in der molekularen Anordnung zurückgeführt, die durch ein dynamisches Netzwerk aus Wasserstoffbrückenbindungen geprägt ist. Beim Abkühlen über den Gefrierpunkt hinaus bleibt Wasser in einem unterkühlten Zustand flüssig, wobei die strukturellen Anomalien an Deutlichkeit gewinnen. Wissenschaftler erklären diese Phänomene häufig durch ein konkurrierendes Zusammenspiel zweier Zustände: einer hochdichten und einer niedrigdichten Flüssigkeit. Mit steigender Temperatur nehmen die kompakteren Strukturen zu, während bei tieferen Temperaturen die offenere Anordnung dominiert. Um diese Strukturänderungen präzise zu erfassen, wurden in der Vergangenheit zahlreiche lokale Ordnungsdeskriptoren entwickelt. Da diese Parameter unabhängig voneinander entstanden sind, weisen sie unterschiedliche Dimensionen und Maßstäbe auf, was einen systematischen Vergleich erschwert. Das Forschungsteam um Kang Kim und Nobuyuki Matubayasi hat dieses Problem mit einem auf neuronalen Netzen basierenden Ansatz gelöst. Die KI-Modelle analysierten simulierten Molekulardynamikdaten und lernten durch einen iterativen Prozess, Muster in den molekularen Konfigurationen zu erkennen. Ziel war es, herauszufinden, welche Deskriptoren die Unterschiede zwischen den beiden Flüssigkeitszuständen über verschiedene Temperaturbereiche hinweg am zuverlässigsten identifizieren. In ihrer Bewertung von sechzehn verschiedenen Ordnungsparametern zeigte das neuronale Netz, welche Strukturmerkmale die stärksten Prädiktoren für die zugrundeliegende thermodynamische Ordnung darstellen. Die Methode funktioniert ähnlich wie ein kognitiver Bewertungsprozess, der strukturelle Informationen komprimiert und gewichtet. Die Studie liefert damit eine verlässliche Rangfolge der aussagekräftigsten Deskriptoren und schafft die Grundlage für ein einheitliches Vergleichssystem. Die Erkenntnisse tragen wesentlich dazu bei, den Zusammenhang zwischen mikroskopischen Strukturfluktuationen und makroskopischen thermodynamischen Zuständen zu klären. Ein vertieftes Verständnis dieser Mechanismen könnte in der Materialwissenschaft und physikalischen Chemie genutzt werden, um präzisere Modelle für wasserähnliche Substanzen zu entwickeln. Die vorgestellte KI-basierte Evaluierungsmethode markiert einen Schritt hin zu einer standardisierten Charakterisierung komplexer Flüssigkeitsstrukturen und bietet ein skalierbares Werkzeug für die moderne computergestützte Forschung.