Medan vatten uppfattas vara ett av de enklaste ämnena i världen, Att modellera sitt beteende på atom- eller molekylnivå har frustrerat forskare i årtionden. Hittills, ingen enda modell har kunnat exakt representera överflödet av vattnets unika egenskaper, inklusive det faktum att den är tätast vid en temperatur som är något högre än dess smältpunkt.

En ny studie från US Department of Energy's (DOE) Argonne National Laboratory har uppnått ett genombrott i ansträngningen att matematiskt representera hur vatten beter sig. Att göra så, Argonne -forskare använde maskininlärning för att utveckla en ny, beräkningsmässigt billig vattenmodell som mer exakt representerar vattnets termodynamiska egenskaper, inklusive hur vatten förändras till is i molekylskala.

I studien, forskare vid Argonnes Center for Nanoscale Materials (CNM) använde ett maskininlärningsarbetsflöde för att optimera en ny molekylär modell av vatten. De tränade sin modell mot omfattande experimentella data för att generera en mycket exakt molekylär modell av vattens egenskaper. CNM är ett DOE Office of Science User Facility.

Att optimera modellparametrar för vatten har länge varit en utmaning, och mer än 50 olika vattenmodeller finns för närvarande, enligt Argonne nanovetenskapliga Subramanian Sankaranarayanan, studiens motsvarande författare.

"Vi försöker förstå hur man navigerar i det komplexa parameterutrymmet för en given modell för att fånga ett brett spektrum av vattens egenskaper, vilket är extremt svårt, "Sankaranarayanan förklarade." Det finns ingen existerande modell som kan redogöra för vattens smältpunkt, dess maximala densitet och isens densitet, alla på samma gång."

Att försöka skapa kvantmekaniska eller atomistiska modeller för att fånga vattnets beteende hade flummoxade forskare eftersom de är så beräknande intensiva och fortfarande misslyckas med att reproducera många temperaturberoende egenskaper hos vatten. Enligt Henry Chan, Argonne postdoktoral forskare och huvudförfattare till studien, detta är ännu svårare att uppnå för enkla modeller, som den som används i denna studie.

För forskarna, valet att använda hela vattenmolekyler som grundenhet i modellen tillät dem att utföra simuleringen till låga beräkningskostnader.

"Medan dessa enkla modeller traditionellt introducerar ett antal approximationer och ofta lider av dålig noggrannhet, maskininlärning gör att vi kan skapa en mycket mer exakt modell med bibehållen enkelhet, "sade University of Louisville assisterande professor Badri Narayanan, en av författarna till studien.

Dock, även med denna minskade beräkningskostnad, vissa fysiska egenskaper kan vara svåra att simulera utan storskaliga superdatorer. Teamet använde Mira -superdatorn vid Argonne Leadership Computing Facility, en DOE Office of Science User Facility, att utföra simuleringar av upp till 8 miljoner vattenmolekyler för att studera tillväxt och bildning av gränssnitt i polykristallin is.

Enligt den första författaren och CNM-assisterande forskaren Mathew Cherukara, denna nya modell, kallad "grovkornig, "uppnår en trohet i nivå med modeller som innehåller en beskrivning på atomnivå." Traditionellt, du skulle tro att införandet av dessa approximationer vanligtvis skulle resultera i en mycket sämre modell - en som är effektiv men som inte fungerar särskilt bra, "sa han." Det fina är att denna molekylära modell inte har någon rätt att vara så exakt som de atomistiska modellerna, men det blir ändå så. "

För att uppnå den höga noggrannheten hos den grovkorniga modellen, forskarna utbildade modellen med hjälp av information från nästan en miljard atomskala-konfigurationer som involverar temperaturberoende egenskaper som är välkända. "Väsentligen, vi sa till vår modell, 'se, detta är vad fastigheterna är, 'och bad den att ge oss parametrar som kunde reproducera dem, "Sa Chan.

Utbildning av modellen innebar vad Chan kallade ett "hierarkiskt tillvägagångssätt, "där varje kandidatmodell genomgick en serie tester eller utvärderingar, börjar med grundläggande viktiga egenskaper innan vi går vidare till mer komplexa. "Du kan tänka på det som att försöka lära ett barn en färdighet, "Sa Chan." Du börjar med något grundläggande och jobbar dig uppåt när du ser framsteg. "

Forskarna visade också att deras tillvägagångssätt kan användas för att förbättra prestanda för andra befintliga atomistiska och molekylära modeller. "Vi kunde avsevärt förbättra prestanda för befintliga högkvalitativa vattenmodeller med vårt hierarkiska tillvägagångssätt. I princip, vi borde kunna återvända till alla molekylära modeller och hjälpa var och en av dem att uppnå sin bästa prestanda, "Sankaranarayanan sa.

Ett papper baserat på studien, "Maskininlärning grovkorniga modeller för vatten, "dök upp i den 22 januari onlineutgåvan av Naturkommunikation . Andra Argonne -författare inkluderade Chris Benmore, Stephen Gray, och Troy Loeffler.