Una red neuronal artificial clasifica los descriptores estructurales del agua superenfriada e identifica los mejores
Por Marie
Traducido por Alessandra
El agua en estado superenfriado, líquida por debajo del punto de congelación, es una de las sustancias más estudiadas y menos comprendidas de la física. A bajas temperaturas, se cree que existe en dos formas líquidas distintas: un líquido de baja densidad (LDL) con una estructura tetraédrica abierta y un líquido de alta densidad (HDL) con una disposición más compacta. Las características estructurales que mejor distinguen estas dos formas han sido debatidas durante décadas.
Un equipo de la Universidad de Osaka, liderado por Kang Kim y Nobuyuki Matubayasi de la Graduate School of Engineering Science, ha utilizado una red neuronal totalmente conectada para resolver el debate, no simulando el agua en sí, sino preguntando a la IA qué descriptores estructurales discriminan mejor entre las dos fases líquidas del agua. Los resultados, publicados el 6 de julio en Communications Chemistry, clasifican 16 descriptores candidatos e identifican a los claros ganadores.
El desafío del agua superenfriada
El agua puede permanecer líquida muy por debajo de su punto de congelación, hasta aproximadamente 230 K a presión atmosférica, siempre que esté libre de impurezas que desencadenarían la nucleación del hielo. En este régimen superenfriado, las propiedades del agua cambian drásticamente: la densidad, la capacidad calorífica y la compresibilidad presentan un comportamiento anómalo. La hipótesis predominante es que estas anomalías reflejan la existencia de un punto crítico líquido-líquido (LLCP) en lo profundo de la región superenfriada, por debajo del cual dos fases líquidas distintas, LDL y HDL, coexisten.
Pero acceder experimentalmente a esta región es extraordinariamente difícil. Por debajo de aproximadamente 230 K, el agua cristaliza demasiado rápido para realizar mediciones significativas. Las simulaciones de dinámica molecular con modelos de agua precisos (el equipo utilizó TIP4P/2005 en GROMACS) proporcionan una ventana a este régimen inaccesible, pero las diferencias estructurales entre LDL y HDL son sutiles, demasiado sutiles para un simple análisis visual de las instantáneas de simulación.
El enfoque de la red neuronal
El equipo entrenó una red neuronal totalmente conectada implementada en TensorFlow para clasificar las configuraciones del agua por temperatura, utilizando como entrada uno de los 16 descriptores estructurales a la vez. La lógica: un descriptor que permite a la red clasificar con precisión la temperatura es aquel que captura los cambios estructurales que distinguen HDL de LDL.
La arquitectura de la red fue deliberadamente simple: una capa de entrada de 1.000 nodos (uno por molécula de agua, cada uno recibiendo el valor del descriptor de esa molécula), una sola capa oculta de 1.000 nodos con activación LeakyReLU y una salida sigmoide para la clasificación binaria de temperatura. Para cada descriptor, la red fue entrenada en 15 pares de temperatura que abarcan de 200 K a 300 K, tanto en conjuntos isocóricos como isobáricos, y el rendimiento se midió mediante el AUC (área bajo la curva ROC).
También se ejecutó una regresión logística sobre los mismos datos para distinguir el poder discriminante lineal del no lineal. Se aplicó LIME (Local Interpretable Model-Agnostic Explanations) a los cuatro mejores descriptores para verificar que la red había aprendido relaciones físicamente significativas.
La clasificación
Los 16 descriptores se dividieron en cuatro niveles de rendimiento:
| Nivel | Rango de AUC | Descriptores |
|——-|————–|————–|
| Excelente (≥0,9) | 0,957–0,998 | LSI (Local Structure Index), ζ (zeta), NTCₕᵦ (comunicabilidad de la red de enlaces H), Nₕᵦ (recuento de enlaces H) |
| Bueno (0,75–0,9) |, | Orden tetraédrico (qₜₑₜ, qₙ), V₄₋₅ (diferencia de energía), número de coordinación, V₄, Q₄ |
| Moderado (0,65–0,75) |, | Ψ, d₅, volumen de Voronói, V₅ |
| Pobre (<0,65) |, | NTC (comunicabilidad basada en la distancia), Q₆ |
El mejor rendimiento, LSI, alcanzó un AUC casi perfecto de 0,998, lo que significa que por sí solo contiene esencialmente toda la información estructural necesaria para distinguir HDL de LDL. LSI mide la brecha entre la primera y la segunda capa de coordinación de una molécula de agua. Su competidor directo ζ (AUC 0,970) cuantifica la diferencia entre la distancia al vecino no enlazado por puente de hidrógeno más cercano y la distancia al vecino enlazado por puente de hidrógeno más lejano. Ambos describen, de maneras ligeramente diferentes, cuán abierto o compacto es el entorno local de una molécula.
Los descriptores de topología de la red de enlaces de hidrógeno, NTCₕᵦ y Nₕᵦ, formaron un grupo complementario, capturando información estructural independiente de LSI y ζ. Cabe destacar que su buen rendimiento dependía de la no linealidad: la regresión logística les otorgó valores de AUC mucho más bajos, lo que confirma que la capacidad de la red neuronal para explotar relaciones no lineales era esencial para estos descriptores.
Lo que esto significa
El hallazgo tiene implicaciones prácticas. Los cuatro descriptores mejor clasificados, LSI, ζ, NTCₕᵦ y Nₕᵦ, ahora pueden utilizarse con confianza en futuros estudios del agua superenfriada, reduciendo la necesidad de calcular los 16 candidatos. El rendimiento casi perfecto de LSI también sugiere que la brecha entre la primera y la segunda capa de coordinación es, estructuralmente hablando, la esencia de la distinción HDL-LDL.
En términos más amplios, el estudio demuestra una metodología para clasificar descriptores estructurales en líquidos complejos utilizando el aprendizaje automático como evaluador objetivo, un enfoque que podría extenderse a otros líquidos formadores de vidrio, líquidos iónicos y soluciones acuosas donde las características estructurales relevantes siguen siendo discutidas.
El trabajo fue apoyado por JSPS KAKENHI, MEXT y JST.
Fuentes:
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. También en arXiv: 2605.00415 [cond-mat.soft]
3. Comunicado de prensa de la Universidad de Osaka a través de EurekAlert, julio de 2026.