你把一杯水放进冰箱，等着它凝成冰块。出来的结果是，冰面顶起了杯盖，或者把塑料瓶撑得鼓鼓囊囊。大多数液体遇冷都会收缩，水却在结冰那一刻反常地膨胀。这个看起来不起眼的细节，已经困扰了科学家很久。

地球表面大部分被水覆盖，但水在分子层面的行为至今让人捉摸不透。温度与压力改变时，水的微观结构会发生什么样的重组，研究者们早就有所猜测，却迟迟拿不出一种统一的方法去衡量和对比那些结构上的变化。大阪大学的一个团队现在把这个问题交给了人工智能，他们发表在《通讯·化学》上的一项研究，构建了一套基于AI的评估框架，专门用来比较和筛选描述超冷水结构的各种方案。

打开网易新闻 查看精彩图片

液态水要变成冰，分子必须排列成规则的晶格。这个过程通常需要一个起点，也就是“成核位点”。水里极其微小的杂质，或者容器内壁肉眼根本看不见的划痕，都可能充当这样的位点。然而如果把这些起点统统排除，水可以在常规冰点以下继续保持液态——这就是所谓的“超冷水”。研究发现，水那些反常的表现，在超冷状态里会被进一步放大。

关于超冷水为什么会这么古怪，目前比较受支持的一种解释是：它会在两种竞存的液态结构之间来回切换，一种是“高密度液体（HDL）”，另一种是“低密度液体（LDL）”。这两种结构都来自水分子之间永不停歇的氢键网络。温度升高时，更为紧凑的高密度液体结构会逐渐占据上风，把那种相对蓬松的低密度排列挤到次要位置。

问题在于，要怎么精确描述这些瞬息万变的局部分子结构。研究者们独立发明了好几种度量方式，比如“四面体键序”和“局域密度”。但这些结构描述符各自使用的尺度、维度和数据类型都不太一样，彼此很难直接比对。这就导致无法判断到底哪一种描述最能抓住水行为的关键特征。

“以往的研究已经表明，用机器学习来对结构数据进行分类和理解是有效的，”通讯作者金康（Kang Kim）这样解释，“我们这次特别希望把神经网络模型引入研究中，用一种接近人类认知的方式，去评估这些描述符在捕捉关键结构信息时到底有多准确。”

为了训练这个人工智能，研究团队把超冷水的分子动力学模拟所生成的结构数据喂给了它。神经网络在反复试错的过程中，逐渐学会了从数据中辨认有意义的模式。虽然具体的训练细节没有被详细展开，但这个模型最终展现出了筛选能力——它能从众多描述符中，找出那些最能忠实反映超冷水特征变化的选项。

神经网络借助已学到的内容，评估了不同度量方案对水局部结构的刻画质量。这使得团队第一次可以系统性地比较之前那些各行其是的描述方式，并识别出哪一种在描述超冷水从高密度到低密度状态转变时最为灵敏。对于那些试图用计算模型来还原水异常行为的科学家来说，这相当于被递上了一把校准过的尺子。

当然，这项研究本身并没有宣布“水的秘密被彻底解开”。它的意义更像是提供了一套新的观测工具：既然AI已经判断出哪些结构描述符更有效，后续的模拟和实验就可以在更可靠的框架下进行。超冷水的两态假说可能会因此获得更扎实的数据支撑，也可能促使研究者去调整对氢键网络动态的理解。至少，在解释水为什么结冰会膨胀、为什么加压反而会让它更容易流动这些问题上，人们或许不用再完全依赖零散且难以对质的测量手段了。