AI 破解水的百年謎團：為何水結冰會膨脹？

水的反常膨胀现象困扰了科学家近一个世纪：为何绝大多数物质热胀冷缩，水却在结冰时体积增大？这一看似简单的问题，直到人工智能介入后才找到统一的解答框架。日本大阪大学金康（Kang Kim）副教授团队借助AI模型，系统评估了16种分子结构描述方法，成功筛选出最能精准捕捉水分子在不同温度与压力下微观变化的“透视镜”，为从根源上理解水的异常行为提供了全新工具。水是地球上最常见的液体，却拥有最“反常”的性格。当温度降至冰点以下，水冻结成冰时体积膨胀，导致冰密度小于水，得以浮于水面。这一特性在自然界至关重要：冰层覆盖水面，保护水下生物过冬。然而其分子层面的成因却长期悬而未决。

现有理论认为，水的种种异常与其微观结构中存在两种竞争性的液态状态密切相关——高密度液态（HDL）与低密度液态（LDL），二者在过冷水中动态并存。过冷水是指纯净水在没有杂质或结晶核心的情况下，被冷却至冰点以下仍保持液态的亚稳状态。研究过冷水中的HDL/LDL竞争被认为是破解水谜团的关键。但长期以来，科学家缺乏一种系统、客观的方法来描述水分子在不同条件下的局部排列变化。传统上依赖研究者经验和单一序参数，难以全面刻画水的复杂行为。大阪大学研究团队决定采用人工智能方法突破这一瓶颈。

他们收集了16种常用于描述分子局部结构的参数，包括各种序参数、键角分布、沃罗努瓦体积等，并将其作为候选特征输入机器学习模型，评估每一种参数在不同热力学条件下对水分子状态的分辨能力。研究的关键在于让AI“自主”判断哪种描述子最能清晰区分HDL与LDL结构，同时在不同温度、压力下保持稳健。通过大量模拟数据训练，模型对16种描述子进行了严格排名，最终锁定了最优的“透视镜”——一种能够同时捕捉局部四面体序和分子间距离信息的组合描述子。这一描述子的优势在于，它不再孤立地看待单一结构特征，而是将水分子的短程有序与中程密度起伏融为一个连贯的指标。

研究团队发现，该描述子能够清晰描绘过冷水中HDL与LDL结构随温度变化的此消彼长：当温度降低时，开放、空旷的LDL结构逐渐增多；当温度回升时，塌缩、致密的HDL结构占据主导。这正是水在4℃时密度最大、结冰时体积膨胀的直接微观解释。为了结冰，水分子需要从无序排列转变为像冰晶那样的有序晶格。这一过程需要借助一个“成核位”——通常是水中的微小杂质或容器内部的划痕。若容器足够光滑、纯净，水可以绕过结冰，持续冷却至冰点以下而不凝固，形成过冷水。在过冷状态下，HDL与LDL两种结构之间的竞争越发激烈，水表现出热容异常、密度变化等反常现象。

研究指出，水结冰时体积膨胀的根源在于：当温度降至冰点附近时，低密度LDL结构大量涌现并关联成类冰四面体网络，而高密度HDL结构则相对减少。这种开放网络的平均空间比液态水分子平均占据的空间更大，因此整体体积膨胀。相比之下，普通液体在凝固时分子更密集堆积，体积缩小。研究团队强调，过去对水异常行为的解释往往依赖于对单一描述子的主观选择，这导致不同研究之间难以相互比较甚至彼此矛盾。AI驱动的系统性评估首次为这一领域提供了一种可量化、可重复的基准方法，让科学家能够在统一框架下探讨水从过冷水到冰乃至高温液体的整个微观结构演化。这也解释了水的另一项著名反常特性：为何水在4℃时密度最大。

随着温度从0℃升高到4℃，LDL结构逐渐被HDL取代，水的体积持续收缩，密度增大；当温度超过4℃后，热膨胀重新占据上风，密度转而减小。这一“密度拐点”正是两种竞争结构动态平衡的宏观体现。论文合作者指出，该研究的意义不仅在于破解了水的百年谜团，更展示了人工智能在基础科学中的强大能力。传统的分子模拟与结构分析通常依赖研究者的经验选择参数，而AI可以从大量候选方案中自动搜索最优组合，大幅减少了人类偏见，甚至可能发现人类认知盲区中的新特征。未来，这套方法有望推广至其他具有复杂相行为的液体，如二氧化硅、硅、磷等同样存在液-液临界点的物质。

通过类似思路，也许能揭示更多“反常液体”背后的普适规律，甚至为新材料的理性设计提供理论支撑。日本大阪大学已于7月6日正式对外发布该项研究的博文，相关论文以“Out of order: using AI to decode the bizarre personality of water”及“Machine learning evaluation of structural descriptors for supercooled water”为题发表。研究团队表示，他们正计划将这一框架用于更广泛的液态与玻璃态体系的水中异常特性研究，并持续利用机器学习方法深化对物质微观结构的理解。

水的谜题远未完全解开，但AI已经为科学家提供了一面无比清晰的“透视镜”，让他们能够首次以统一语言描述水的“双重人格”。从冰的浮力到生命赖以生存的水循环，这些日常现象的背后，正因AI的介入而逐渐显露出简洁而深刻的物理图景。在不久的将来，这一研究范式或将成为凝聚态物理学和材料科学的标准工具，激励更多人利用人工智能去追问那些看似普通却无比深邃的自然奥秘。