Mentre l'acqua è percepita come una delle sostanze più semplici al mondo, modellare il suo comportamento a livello atomico o molecolare ha frustrato gli scienziati per decenni. Ad oggi, nessun singolo modello è stato in grado di rappresentare con precisione la pletora di caratteristiche singolari dell'acqua, compreso il fatto che è più denso a una temperatura leggermente superiore al suo punto di fusione.

Un nuovo studio dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE) ha raggiunto una svolta nello sforzo di rappresentare matematicamente il comportamento dell'acqua. Fare così, I ricercatori di Argonne hanno utilizzato l'apprendimento automatico per sviluppare un nuovo, modello dell'acqua computazionalmente poco costoso che rappresenta in modo più accurato le proprietà termodinamiche dell'acqua, compreso il modo in cui l'acqua si trasforma in ghiaccio su scala molecolare.

Nello studio, i ricercatori del Center for Nanoscale Materials (CNM) di Argonne hanno utilizzato un flusso di lavoro di apprendimento automatico per ottimizzare un nuovo modello molecolare dell'acqua. Hanno addestrato il loro modello sulla base di ampi dati sperimentali per generare un modello su scala molecolare estremamente accurato delle proprietà dell'acqua. Il CNM è una struttura per gli utenti dell'Office of Science del DOE.

L'ottimizzazione dei parametri del modello per l'acqua è stata a lungo una sfida, e attualmente esistono più di 50 diversi modelli di acqua, secondo il nanoscienziato di Argonne Subramanian Sankaranarayanan, l'autore corrispondente dello studio.

"Stiamo cercando di capire come navigare nel complesso spazio dei parametri per un dato modello al fine di catturare un ampio spettro di proprietà dell'acqua, che è estremamente difficile, " ha spiegato Sankaranarayanan. "Non esiste un modello esistente che possa spiegare il punto di fusione dell'acqua, la sua densità massima e la densità del ghiaccio, tutto allo stesso tempo."

Il tentativo di creare modelli quantistici o atomistici per catturare il comportamento dell'acqua ha sconcertato i ricercatori perché sono così intensivi dal punto di vista computazionale e ancora non riescono a riprodurre molte proprietà dell'acqua dipendenti dalla temperatura. Secondo Henry Chan, Ricercatore postdottorato in Argonne e autore principale dello studio, questo è ancora più difficile da ottenere per i modelli semplici, come quello utilizzato in questo studio.

Per i ricercatori, la scelta di utilizzare intere molecole d'acqua come unità fondamentale nel modello ha permesso loro di eseguire la simulazione a basso costo computazionale.

"Mentre tradizionalmente questi semplici modelli introducono una serie di approssimazioni e spesso soffrono di scarsa precisione, l'apprendimento automatico ci consente di creare un modello molto più accurato mantenendo la semplicità, " ha detto l'assistente professore dell'Università di Louisville Badri Narayanan, co-primo autore dello studio.

Però, anche con questa spesa computazionale ridotta, alcune proprietà fisiche possono essere difficili da simulare senza supercomputer su larga scala. Il team ha utilizzato il supercomputer Mira presso l'Argonne Leadership Computing Facility, una struttura per gli utenti dell'Office of Science del DOE, eseguire simulazioni fino a 8 milioni di molecole d'acqua per studiare la crescita e la formazione di interfacce nel ghiaccio policristallino.

Secondo il co-primo autore e assistente scienziato del CNM Mathew Cherukara, questo nuovo modello, definito "a grana grossa, " raggiunge una fedeltà alla pari con i modelli che incorporano una descrizione a livello atomico. "Tradizionalmente, penseresti che l'introduzione di queste approssimazioni in genere si tradurrebbe in un modello molto peggiore, uno che è efficiente ma che non funziona molto bene, " ha detto. "Il bello è che questo modello molecolare non ha il diritto di essere accurato come i modelli atomistici, ma finisce comunque per esserlo".

Per ottenere l'elevata precisione del modello a grana grossa, i ricercatori hanno addestrato il modello utilizzando informazioni tratte da quasi un miliardo di configurazioni su scala atomica che coinvolgono proprietà dipendenti dalla temperatura che sono ben note. "Essenzialmente, abbiamo detto al nostro modello, 'Guarda, ecco quali sono le proprietà, ' e gli ha chiesto di darci parametri che fossero in grado di riprodurli, " disse Chan.

La formazione del modello ha comportato quello che Chan ha definito un "approccio gerarchico, " in cui ogni modello candidato è stato sottoposto a una serie di prove o valutazioni, partendo dalle proprietà essenziali di base prima di arrivare a quelle più complesse. "Puoi pensarlo come cercare di insegnare a un bambino un'abilità, "Ha detto Chan. "Si inizia con qualcosa di fondamentale e si sale una volta che si vedono progressi".

I ricercatori hanno anche dimostrato che il loro approccio potrebbe essere utilizzato per migliorare le prestazioni di altri modelli atomistici e molecolari esistenti. "Siamo stati in grado di migliorare significativamente le prestazioni dei modelli idrici di alta qualità esistenti utilizzando il nostro approccio gerarchico. In linea di principio, dovremmo essere in grado di rivisitare tutti i modelli molecolari e aiutare ognuno di loro a raggiungere le loro migliori prestazioni, ", ha detto Sankaranarayanan.

Un documento basato sullo studio, "Modelli di apprendimento automatico a grana grossa per l'acqua, " apparso nel numero online del 22 gennaio di Comunicazioni sulla natura . Altri autori Argonne inclusi Chris Benmore, Stefano Gray, e Troy Loeffler.