Un réseau de neurones artificiels classe les descripteurs structurels de l’eau surfondue et identifie les meilleurs
Par Marie
Traduit par Lydie
L’eau à l’état surfondu, liquide en dessous du point de congélation, est l’une des substances les plus étudiées et les moins comprises de la physique. À basse température, on pense qu’elle existe sous deux formes liquides distinctes : un liquide à basse densité (LDL) avec une structure tétraédrique ouverte et un liquide à haute densité (HDL) avec un arrangement plus compact. Les caractéristiques structurelles qui distinguent le mieux ces deux formes font débat depuis des décennies.
Une équipe de l’Université d’Osaka, dirigée par Kang Kim et Nobuyuki Matubayasi de la Graduate School of Engineering Science, a utilisé un réseau de neurones entièrement connecté pour résoudre le débat, non pas en simulant l’eau elle-même, mais en demandant à l’IA quels descripteurs structurels discriminent le mieux les deux phases liquides de l’eau. Les résultats, publiés le 6 juillet dans Communications Chemistry, classent 16 descripteurs candidats et identifient les grands gagnants.
Le défi de l’eau surfondue
L’eau peut rester liquide bien en dessous de son point de congélation, jusqu’à environ 230 K à pression atmosphérique, à condition d’être exempte d’impuretés qui déclencheraient la nucléation de la glace. Dans ce régime surfondu, les propriétés de l’eau changent radicalement : la densité, la capacité thermique et la compressibilité présentent toutes un comportement anormal. L’hypothèse dominante est que ces anomalies reflètent l’existence d’un point critique liquide-liquide (LLCP) profondément dans la région surfondue, en dessous duquel deux phases liquides distinctes, LDL et HDL, coexistent.
Mais accéder expérimentalement à cette région est extraordinairement difficile. En dessous d’environ 230 K, l’eau cristallise trop rapidement pour des mesures significatives. Les simulations de dynamique moléculaire avec des modèles d’eau précis (l’équipe a utilisé TIP4P/2005 dans GROMACS) offrent une fenêtre sur ce régime inaccessible, mais les différences structurelles entre LDL et HDL sont subtiles, trop subtiles pour une simple analyse visuelle des instantanés de simulation.
L’approche du réseau de neurones
L’équipe a entraîné un réseau de neurones entièrement connecté implémenté dans TensorFlow pour classifier les configurations de l’eau par température, en utilisant comme entrée un des 16 descripteurs structurels à la fois. Le raisonnement : un descripteur qui permet au réseau de classifier avec précision la température est un descripteur qui capture les changements structurels distinguant HDL de LDL.
L’architecture du réseau était délibérément simple : une couche d’entrée de 1 000 nœuds (un par molécule d’eau, chacun recevant la valeur du descripteur de cette molécule), une seule couche cachée de 1 000 nœuds avec activation LeakyReLU, et une sortie sigmoïde pour la classification binaire de température. Pour chaque descripteur, le réseau a été entraîné sur 15 paires de températures allant de 200 K à 300 K, dans des ensembles isochoriques et isobares, et les performances ont été mesurées par l’AUC (aire sous la courbe ROC).
Une régression logistique a également été exécutée sur les mêmes données pour distinguer le pouvoir discriminant linéaire du non linéaire. LIME (Local Interpretable Model-Agnostic Explanations) a été appliqué aux quatre meilleurs descripteurs pour vérifier que le réseau avait appris des relations physiquement significatives.
Le classement
Les 16 descripteurs se répartissaient en quatre niveaux de performance :
| Niveau | Plage d’AUC | Descripteurs |
|——–|————-|————–|
| Excellent (≥0,9) | 0,957–0,998 | LSI (Local Structure Index), ζ (zêta), NTCₕᵦ (communicabilité du réseau de liaisons H), Nₕᵦ (nombre de liaisons H) |
| Bon (0,75–0,9) |, | Ordre tétraédrique (qₜₑₜ, qₙ), V₄₋₅ (différence d’énergie), nombre de coordination, V₄, Q₄ |
| Modéré (0,65–0,75) |, | Ψ, d₅, volume de Voronoï, V₅ |
| Faible (<0,65) |, | NTC (communicabilité basée sur la distance), Q₆ |
Le meilleur performeur, LSI, a atteint une AUC quasi parfaite de 0,998, ce qui signifie qu’il contient à lui seul pratiquement toute l’information structurelle nécessaire pour distinguer HDL de LDL. LSI mesure l’écart entre la première et la deuxième couche de coordination d’une molécule d’eau. Son concurrent direct ζ (AUC 0,970) quantifie la différence entre la distance du plus proche voisin non lié par liaison hydrogène et la distance du voisin lié par liaison hydrogène le plus éloigné. Tous deux décrivent, de manière légèrement différente, à quel point l’environnement local d’une molécule est ouvert ou compact.
Les descripteurs de topologie du réseau de liaisons hydrogène, NTCₕᵦ et Nₕᵦ, formaient un groupe complémentaire, capturant des informations structurelles indépendantes de LSI et ζ. Notamment, leurs bonnes performances dépendaient de la non-linéarité : la régression logistique leur donnait des valeurs d’AUC beaucoup plus faibles, confirmant que la capacité du réseau de neurones à exploiter les relations non linéaires était essentielle pour ces descripteurs.
Ce que cela signifie
Cette découverte a des implications pratiques. Les quatre descripteurs les mieux classés, LSI, ζ, NTCₕᵦ et Nₕᵦ, peuvent désormais être utilisés en toute confiance dans les futures études sur l’eau surfondue, réduisant ainsi le besoin de calculer les 16 candidats. La performance quasi parfaite de LSI suggère également que l’écart entre la première et la deuxième couche de coordination est, structurellement parlant, l’essence de la distinction HDL-LDL.
Plus largement, l’étude démontre une méthodologie pour classer les descripteurs structurels dans les liquides complexes en utilisant l’apprentissage automatique comme évaluateur objectif, une approche qui pourrait être étendue à d’autres liquides formant des verres, aux liquides ioniques et aux solutions aqueuses où les caractéristiques structurelles pertinentes restent contestées.
Ces travaux ont été soutenus par JSPS KAKENHI, MEXT et JST.
Sources :
1. Yoshikawa, K., Shikata, K., Kim, K. & Matubayasi, N. « Machine learning evaluation of structural descriptors for supercooled water. » Communications Chemistry 9, 217 (2026). DOI : 10.1038/s42004-026-02097-1
2. Également sur arXiv : 2605.00415 [cond-mat.soft]
3. Communiqué de presse de l’Université d’Osaka via EurekAlert, juillet 2026.