
AI神经网络对过冷水结构描述符进行排名,识别出最佳描述符
AI神经网络对过冷水结构描述符进行排名,识别出最佳描述符 作者:玛丽 翻译:婷 过冷水(冰点以下的液态水)是物理学中研究最多但了解最少的物质之一。在低温下,人们认为水以两种不同的液体形态存在:具有开放四面体结构的低密度液体(LDL)和排列更紧凑的高密度液体(HDL)。数十年来,最能区分这两种形态的结构特征一直是争论的焦点。 大阪大学基础工学研究科的Kang Kim和Nobuyuki Matubayasi领导的研究团队使用全连接神经网络解决了这一争论,不是通过模拟水本身,而是通过询问AI哪些结构描述符最能区分水的两个液相。研究结果于7月6日发表在《Communications Chemistry》上,对16个候选描述符进行了排名,并确定了明确的优胜者。 过冷水的挑战 水在不存在触发冰核形成的杂质的情况下,可以在远低于冰点的温度下保持液态,在大气压下大约可低至230 K。在这种过冷状态下,水的性质会发生剧烈变化:密度、热容和压缩性都表现出异常行为。主流假设认为,这些异常反映了过冷水区域深处存在液-液临界点(LLCP),在该临界点以下,LDL和HDL这两个不同的液相共存。 然而,通过实验进入这一区域极其困难。在大约230 K以下,水结晶太快,无法进行有意义的测量。使用精确水模型(该团队使用了GROMACS中的TIP4P/2005)进行的分子动力学模拟为这一难以进入的区域提供了窗口,但LDL和HDL之间的结构差异非常微妙,难以通过简单的模拟快照视觉分析来区分。 神经网络方法 该团队训练了一个在TensorFlow中实现的全连接神经网络,每次使用16个结构描述符中的一个作为输入,按温度对水的构型进行分类。其逻辑是:能够使网络准确分类温度的描述符,就是能够捕捉区分HDL和LDL的结构变化的描述符。 网络架构设计得非常简单:一个包含1,000个节点的输入层(每个水分子一个节点,每个节点接收该分子的描述符值)、一个具有LeakyReLU激活函数的1,000节点单隐藏层,以及用于二元温度分类的Sigmoid输出。对于每个描述符,网络在200 K到300 K之间的15个温度对上进行了训练,涵盖了等容系综和等压系综,性能通过AUC(ROC曲线下面积)进行衡量。 还在相同数据上进行了逻辑回归,以区分线性和非线性判别能力。LIME(局部可解释模型无关解释)被应用于前四个描述符,以验证网络学习了物理上有意义的关系。 排名 16个描述符分为四个性能层级: | 层级 | AUC范围 | 描述符 | |——|———|——–| | 优秀(≥0.9) | 0.957–0.998 | LSI(局域结构指数)、ζ(泽塔)、NTCₕᵦ(氢键网络可通信性)、Nₕᵦ(氢键数) | | 良好(0.75–0.9) |, | 四面体有序度(qₜₑₜ、qₙ)、V₄₋₅(能量差)、配位数、V₄、Q₄ | | 中等(0.65–0.75) |, | Ψ、d₅、Voronoi体积、V₅ | | 差(<0.65) |, | NTC(基于距离的可通信性)、Q₆ | 表现最好的描述符LSI达到了近乎完美的AUC值0.998,这意味着它单独就包含了区分HDL和LDL所需的几乎全部结构信息。LSI测量水分子第一配位壳层和第二配位壳层之间的间隙。其强劲对手ζ(AUC […]










