Dünya yüzeyinin büyük kısmı sularla kaplı olmasına rağmen su, neredeyse diğer tüm sıvılardan farklı davranıyor. En sıra dışı özelliklerinden biri, donduğunda büzüşmek yerine genleşmesi. Bilim insanları uzun süredir bu tuhaf davranışları, sıcaklık ve basınç değiştikçe suyun mikroskobik yapısındaki değişimlere bağlıyor ancak bu yapısal değişiklikleri tanımlamak ve karşılaştırmak için tutarlı bir yöntemden yoksundu.
Şimdi, Osaka Üniversitesi'ndeki araştırmacılar bu zorluğun üstesinden gelmek için yapay zekaya (YZ) başvurdu. Geliştirdikleri YZ sistemi, aşırı soğutulmuş suyun yapısını tanımlamak için kullanılan farklı yöntemleri karşılaştırmada birleşik bir yol sunuyor ve hangilerinin en önemli özellikleri yakaladığını belirlemeye yardımcı oluyor. Araştırma Communications Chemistry dergisinde yayımlandı.
Aşırı Soğutulmuş Su Neden Bu Kadar Tuhaf Davranıyor?
Sıvı suyun buza dönüşmesi için moleküllerinin düzenli bir kristal kafes oluşturması gerekiyor. Bu süreç, buz kristallerinin oluşmaya başlayabileceği bir çekirdeklenme noktasında başlıyor. Sudaki küçük yabancı maddeler veya bir kabın içindeki mikroskobik çizikler bu başlangıç noktalarını sağlayabiliyor.
Bu çekirdeklenme noktaları yoksa su, normal donma noktasının altına soğutulsa bile sıvı halde kalabiliyor. Bu olağandışı duruma aşırı soğutulmuş su adı veriliyor.
Bu koşullar altında suyun olağandışı özellikleri daha da belirgin hale geliyor. Bilim insanları bu davranışların, iki rakip sıvı su formu arasındaki dengeyle bağlantılı olduğuna inanıyor: yüksek yoğunluklu sıvı (HDL) ve düşük yoğunluklu sıvı (LDL). Moleküler düzeyde, su molekülleri sürekli olarak hidrojen bağ ağları oluşturup kırıyor. Sıcaklık yükseldikçe, daha kompakt olan HDL yapıları, daha açık LDL düzenlemelerine göre giderek daha baskın hale geliyor.
YZ, Suyun Rakip Modellerini Karşılaştırıyor
Yıllar boyunca araştırmacılar, tetrahedral bağ düzeni ve yerel yoğunluk gibi ölçümler de dahil olmak üzere su moleküllerinin yerel düzenini tanımlamak için birçok farklı yol önerdi. Bu yapısal tanımlayıcılar bağımsız olarak geliştirildiğinden farklı ölçekler, boyutlar ve bilgi türleri kullanıyor. Bu da onları doğrudan karşılaştırmayı ve hangilerinin en kullanışlı olduğunu belirlemeyi zorlaştırıyordu.
Çalışmanın sorumlu yazarı Kang Kim, "Geçmiş çalışmalar, yapısal verileri sınıflandırmak ve anlamak için makine öğreniminin etkili olduğunu gösterdi. Biz özellikle bu çalışmaya bir sinir ağı modeli dahil ederek, tanımlayıcıların temel yapısal bilgileri yakalamadaki doğruluğunu, insan bilişine benzer bir şekilde değerlendirmek istedik" dedi.
YZ'yi eğitmek için araştırmacılar, sinir ağına aşırı soğutulmuş suyun moleküler dinamik simülasyonlarından elde edilen yapısal verileri besledi. Sistem, tekrarlanan deneme yanılma yoluyla moleküler yapılardaki anlamlı örüntüleri tanımayı öğrendi.
Suyun Gizli Yapısına Yeni İpuçları
Kıdemli yazar Nobuyuki Matubayasi, "Ağ, öğrendiklerini kullanarak 16 tanımlayıcının farklı sıcaklıklarda LDL ve HDL yapıları arasında nasıl ayrım yaptığını karşılaştırdı. Bu şekilde en verimli tanımlayıcıları belirledik" diye aktardı.
Araştırmacılar, geliştirdikleri çerçevenin, mikroskobik yapısal değişikliklerin suyun termodinamik davranışıyla nasıl bağlantılı olduğuna dair bilim insanlarının anlayışını geliştirebileceğini söylüyor. Bulgular ayrıca suyun olağandışı özelliklerinin kökenini açıklamaya yardımcı olabilir ve karmaşık moleküler yapısını incelemek için daha iyi araçların geliştirilmesine rehberlik edebilir.
Çalışmanın şematik gösterimi: yapay zeka, suyun moleküler konfigürasyonundan sıcaklığı tahmin ediyor. Kaynak: 2026, Kohei Yoshikawa ve diğerleri, Aşırı soğutulmuş su için yapısal tanımlayıcıların makine öğrenimi değerlendirmesi, Communications Chemistry
