پژوهشگران دانشگاه اوزاکا ژاپن با کمک هوش مصنوعی موفق شده اند چارچوبی جدید برای بررسی ساختار مولکولی آب توسعه دهند، دستاوردی که می تواند به درک بهتر رفتار های غیرعادی آب از جمله انبساط آن هنگام یخ زدن کمک کند. نتایج این پژوهش در نشریه Communications Chemistry منتشر شده است.

به گزارش ساینس دیلی، آب با وجود آنکه حدود ۷۰ درصد سطح زمین را پوشانده همچنان یکی از پیچیده ترین مواد شناخته شده در طبیعت به شمار می رود. برخلاف تقریبا همه مایعات آب هنگام یخ زدن منبسط می شود و چگالی آن کاهش می یابد، ویژگی ای که نقش مهمی در شکل گیری اکوسیستم های طبیعی و حیات روی زمین دارد.

دانشمندان سال هاست می دانند این رفتار های غیرمعمول به تغییرات ساختار مولکولی آب در دما و فشار های مختلف مربوط است اما تاکنون روشی استاندارد و یکپارچه برای اندازه گیری و مقایسه این تغییرات در اختیار نداشتند.

اکنون گروهی از محققان دانشگاه اوزاکا با بهره گیری از هوش مصنوعی، روشی ارائه کرده اند که می تواند شیوه های مختلف توصیف ساختار آب را ارزیابی و با یکدیگر مقایسه کند. این چارچوب جدید به ویژه بر مطالعه آب فوق سرد (Supercooled Water) تمرکز دارد حالتی که در آن آب با وجود کاهش دما به زیر نقطه انجماد همچنان به صورت مایع باقی می ماند.

بیشتر بخوانید کره جنوبی رکورد بودجه را با سرمایه گذاری در هوش مصنوعی می شکند کشف هشدار های پنهان زلزله با هوش مصنوعی

برای تبدیل آب مایع به یخ، مولکول های آب باید در قالب یک شبکه بلوری منظم کنار یکدیگر قرار گیرند. این فرایند از نقاطی موسوم به هسته های جوانه زنی (Nucleation Sites) آغاز می شود. این نقاط می توانند به واسطه وجود ناخالصی های بسیار کوچک یا حتی خراش های میکروسکوپی روی دیواره ظرف ایجاد شوند.

اگر چنین نقاطی وجود نداشته باشند آب می تواند حتی در دمای پایین تر از صفر درجه سانتی گراد نیز بدون یخ زدن به حالت مایع باقی بماند. این وضعیت که به آن آب فوق سرد گفته می شود یکی از جذاب ترین موضوعات در فیزیک و شیمی آب به شمار می رود.

مطالعات پیشین نشان داده اند که رفتار های غیرعادی آب در این حالت شدیدتر می شود. یکی از نظریه های مطرح این است که آب فوق سرد دائما میان دو نوع ساختار مایع با چگالی بالا (HDL) که ساختاری فشرده تر دارد و مایع با چگالی پایین (LDL) که ساختاری بازتر و کم تراکم تر ایجاد می کند مایع جابه جا می شود.

این دو ساختار از شبکه ای پویا از پیوند های هیدروژنی میان مولکول های آب شکل می گیرند. با افزایش دما ساختار های متراکم تر یا همان HDL غالب می شوند در حالی که در دما های پایین تر سهم ساختار های LDL افزایش می یابد.

طی سال های گذشته پژوهشگران شاخص های مختلفی برای توصیف ساختار محلی مولکول های آب توسعه داده اند از جمله معیار هایی مانند نظم چهاروجهی پیوند ها (Tetrahedral Bond Order) و چگالی موضعی (Local Density)، اما از آنجا که هر یک از این شاخص ها به طور مستقل طراحی شده اند مقیاس ها، ابعاد و نوع اطلاعات آنها با یکدیگر تفاوت دارد. همین موضوع باعث شده مقایسه مستقیم آنها دشوار باشد و مشخص نشود کدام شاخص تصویر دقیق تری از رفتار واقعی آب ارائه می دهد.

کانگ کیم نویسنده مسئول این پژوهش می گوید: مطالعات پیشین نشان داده بود که استفاده از یادگیری ماشین برای طبقه بندی و تحلیل داده های ساختاری بسیار موثر است. هدف ما این بود که از یک مدل شبکه عصبی استفاده کنیم تا میزان دقت شاخص های مختلف در ثبت اطلاعات ساختاری کلیدی را به شیوه ای مشابه نحوه درک انسان ارزیابی کنیم.

برای آموزش این سامانه پژوهشگران داده های ساختاری حاصل از شبیه سازی های دینامیک مولکولی آب فوق سرد را در اختیار شبکه عصبی قرار دادند. هوش مصنوعی نیز از طریق فرایند آزمون و خطا، الگو های معنادار موجود در داده ها را شناسایی و یاد گرفت.

نوبویوکی ماتوبایاشی از نویسندگان ارشد پژوهش توضیح داد: شبکه عصبی با استفاده از دانسته های خود عملکرد ۱۶ شاخص مختلف را در تفکیک ساختار های LDL و HDL در دما های گوناگون مقایسه کرد و در نهایت توانست کارآمدترین شاخص ها را شناسایی کند.

پژوهشگران معتقدند چارچوب مبتنی بر هوش مصنوعی آنها می تواند ارتباط میان تغییرات ریزساختاری آب و ویژگی های ترمودینامیکی آن را با دقت بیشتری آشکار کند. این دستاورد نه تنها می تواند به توضیح منشا رفتار های منحصر به فرد آب کمک کند بلکه راه را برای توسعه ابزار های پیشرفته تر در مطالعه این ماده حیاتی هموار خواهد کرد.

به باور محققان استفاده از هوش مصنوعی در تحلیل ساختار مولکولی آب می تواند افق های تازه ای را در پژوهش های فیزیک، شیمی و علوم مواد بگشاید و به درک بهتر یکی از بنیادی ترین و در عین حال اسرارآمیزترین مواد موجود در طبیعت منجر شود.

انتهای پیام/