Une équipe de l'Université d'Osaka a développé une méthode systématique recourant à l'intelligence artificielle pour analyser l'organisation moléculaire de l'eau superrefroidie. Publiée en 2026 dans la revue Communications Chemistry, cette recherche pallie l'absence de cadre unifié permettant de caractériser les transformations structurales de l'eau sous l'effet de la température et de la pression. Malgré sa présence ubiquitaire, l'eau présente des comportements physiques inhabituels, notamment sa dilatation lors de la congélation. Ces particularités trouvent leur origine dans les réarrangements microscopiques de ses molécules. Elles deviennent particulièrement visibles lorsque le liquide est refroidi en dessous de son point de glace sans se solidifier, atteignant alors un état superrefroidi. Les physiciens attribuent ces phénomènes à la coexistence et à la compétition entre deux configurations moléculaires distinctes : un liquide à haute densité et un liquide à basse densité. Plusieurs indicateurs structuraux avaient auparavant été proposés pour décrire ces arrangements, mais leur diversité conceptuelle compliquait leur comparaison rigoureuse. Pour résoudre ce problème, les chercheurs ont couplé des simulations informatiques de dynamique moléculaire à un réseau de neurones artificiels. En entraînant ce modèle sur des données simulées, l'algorithme a évalué la capacité de seize descripteurs différents à distinguer les deux états liquides à diverses températures. Cette approche a permis d'identifier les paramètres les plus pertinents pour refléter fidèlement la structure interne de l'eau. Les auteurs, Kang Kim et Nobuyuki Matubayasi, soulignent que cette méthode d'apprentissage automatique rapproche l'analyse computationnelle d'une forme de perception humaine des motifs complexes. En fournissant une boîte à outils rigoureuse pour quantifier les fluctuations structurelles, cette étude ouvre la voie à une meilleure compréhension des propriétés thermodynamiques exceptionnelles de l'eau. Elle constitue une étape importante pour la modélisation prédictive des fluides complexes et pourrait inspirer de nouvelles recherches en physique des matériaux et en chimie des solutions.