AIニューラルネットワークが過冷却水の構造記述子をランク付け、トップパフォーマーを特定
マリー
翻訳：雅子
過冷却状態の水（凝固点以下の液体）は、物理学において最も研究され、かつ最も理解されていない物質の一つである。低温では、開いた四面体構造を持つ低密度液体（LDL）と、よりコンパクトな配置を持つ高密度液体（HDL）の二つの異なる液体形態で存在すると考えられている。これら二つの形態を最もよく区別する構造的特徴は、何十年もの間議論されてきた。
大阪大学大学院基礎工学研究科のKang KimとNobuyuki Matubayasi率いる研究チームは、完全結合ニューラルネットワークを用いてこの議論を解決した。水そのものをシミュレートするのではなく、どの構造記述子が水の二つの液相を最もよく識別できるかをAIに問う方法である。結果は7月6日にCommunications Chemistryに掲載され、16の候補記述子をランク付けし、明確な勝者を特定した。
過冷却水の課題
水は、氷の核形成を引き起こす不純物がなければ、大気圧下で約230 Kまで凝固点をはるかに下回っても液体のままでいることができる。この過冷却領域では、水の性質が劇的に変化する。密度、熱容量、圧縮率はすべて異常な挙動を示す。支配的な仮説は、これらの異常は過冷却領域の深部にある液体-液体臨界点（LLCP）の存在を反映しており、その下ではLDLとHDLという二つの異なる液相が共存するというものである。
しかし、実験的にこの領域にアクセスすることは非常に困難である。約230 K以下では、水は結晶化が速すぎて有意義な測定ができない。正確な水モデル（チームはGROMACSのTIP4P/2005を使用）を用いた分子動力学シミュレーションは、このアクセス不可能な領域への窓を提供するが、LDLとHDLの構造的な違いは微妙で、シミュレーションスナップショットの単純な視覚的分析にはあまりにも微妙である。
ニューラルネットワークアプローチ
研究チームはTensorFlowで実装された完全結合ニューラルネットワークを訓練し、16の構造記述子のうち一度に一つを入力として使用して、温度によって水の配置を分類した。論理は、ネットワークが温度を正確に分類できるようにする記述子は、HDLとLDLを区別する構造変化を捉えるものであるというものである。
ネットワークアーキテクチャは意図的にシンプルに設計された。1,000ノードの入力層（水分子ごとに1ノード、各分子の記述子値を受け取る）、LeakyReLU活性化関数を持つ1,000ノードの単一隠れ層、そして二値温度分類のためのシグモイド出力である。各記述子について、ネットワークは200 Kから300 Kまでの15の温度ペアで、等積および等圧アンサンブルの両方で訓練され、パフォーマンスはAUC（ROC曲線下面積）で測定された。
同じデータに対してロジスティック回帰も実行され、線形と非線形の識別力を区別した。LIME（Local Interpretable Model-Agnostic Explanations）がトップ4の記述子に適用され、ネットワークが物理的に意味のある関係を学習したことを検証した。
ランキング
16の記述子は4つのパフォーマンス層に分類された：
| 層 | AUC範囲 | 記述子 |
|—–|———|——–|
| 優良（≥0.9） | 0.957–0.998 | LSI（局所構造指数）、ζ（ゼータ）、NTCₕᵦ（水素結合ネットワーク通信可能性）、Nₕᵦ（水素結合数） |
| 良好（0.75–0.9） |, | 四面体秩序（qₜₑₜ、qₙ）、V₄₋₅（エネルギー差）、配位数、V₄、Q₄ |
| 中程度（0.65–0.75） |, | Ψ、d₅、ボロノイ体積、V₅ |
| 不良（<0.65） |, | NTC（距離ベースの通信可能性）、Q₆ |
トップパフォーマーのLSIは、0.998のほぼ完全なAUCを達成した。これは、HDLとLDLを区別するために必要な実質的にすべての構造情報をそれだけで含んでいることを意味する。LSIは水分子の第一配位圏と第二配位圏の間のギャップを測定する。そのライバルであるζ（AUC 0.970）は、最も近い非水素結合隣接分子距離と最も遠い水素結合隣接分子距離の差を定量化する。両者は、分子の局所的環境がどれだけ開放的かコンパクトかを、わずかに異なる方法で記述している。
水素結合ネットワークトポロジー記述子であるNTCₕᵦとNₕᵦは、LSIやζとは独立した構造情報を捉える補完的なグループを形成した。注目すべきは、それらの優れたパフォーマンスが非線形性に依存していたことである。ロジスティック回帰ではAUC値がはるかに低く、ニューラルネットワークが非線形関係を活用する能力がこれらの記述子にとって不可欠であったことが確認された。
これが意味すること
この発見は実用的な意味を持つ。トップ4の記述子（LSI、ζ、NTCₕᵦ、Nₕᵦ）は、今後の過冷却水研究で自信を持って使用でき、16の候補すべてを計算する必要が減る。LSIのほぼ完全なパフォーマンスは、第一配位圏と第二配位圏の間のギャップが、構造的に言えば、HDL-LDL区別の本質であることを示している。
より広く言えば、この研究は、機械学習を客観的評価者として用いて複雑な液体の構造記述子をランク付けする方法論を示しており、このアプローチは、関連する構造的特徴が依然として議論の的となっている他のガラス形成液体、イオン液体、水溶液にも拡張できる可能性がある。
この研究はJSPS KAKENHI、MEXT、JSTの支援を受けた。
出典：
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. arXivでも公開：2605.00415 [cond-mat.soft]
3. EurekAlert経由の大阪大学プレスリリース、2026年7月。