A água, o líquido mais abundante na superfície da Terra, apresenta características anômalas em comparação com outros líquidos, como a expansão ao congelar. Essas anomalias estão ligadas às mudanças na estrutura microscópica da água em diferentes temperaturas e pressões. No entanto, até o momento, não existia um esquema sistemático para caracterizar essas alterações estruturais.

Pesquisadores da Universidade de Osaka usaram inteligência artificial (IA) para avaliar frameworks de caracterização. O modelo de IA faz parte de uma estrutura unificada para comparar e estimar descritores estruturais da água superresfriada. Essa descoberta foi publicada na revista Communications Chemistry.

O processo de congelamento da água

Para que a água congele, suas moléculas precisam se organizar em uma rede estruturada, como ocorre no gelo. As moléculas devem se ligar a um local de nucleação para se tornarem um sólido. Impurezas na água ou arranhões no recipiente podem atuar como esses locais de nucleação.

Assim, a água em um recipiente liso e limpo pode ser resfriada abaixo do seu ponto de congelamento sem solidificar, resultando no estado conhecido como água superresfriada.

Estados líquidos em competição

O comportamento anômalo da água se torna mais evidente quando está superresfriada. Esses anomalias são explicadas por uma transição entre dois estados líquidos em competição: um líquido de alta densidade (HDL) e um líquido de baixa densidade (LDL).

No nível microscópico, a ordem na água emerge de uma rede de ligações de hidrogênio intermoleculares que muda continuamente. Com o aumento da temperatura, as estruturas HDL, mais compactas, predominam sobre as estruturas LDL, mais abertas.

Avaliação de descritores com redes neurais

Diversos descritores estruturais foram propostos para caracterizar a ordem local na água, como a ordem de ligação tetraédrica e a densidade local. Como esses descritores foram introduzidos de forma independente, eles diferem qualitativamente em dimensões e escalas, codificando informações estruturais distintas. Isso dificulta a comparação sistemática entre eles para avaliar sua importância relativa.

“Estudos anteriores mostraram que o uso de aprendizado de máquina para classificar e entender dados estruturais é eficaz”, afirma Kang Kim, autor responsável. “Especificamente, queríamos incorporar um modelo de rede neural neste estudo para avaliar quão precisos os descritores eram em capturar informações estruturais-chave, semelhante à cognição humana.”

Os dados estruturais da água superresfriada foram obtidos a partir de experimentos computacionais, conhecidos como simulações de dinâmica molecular. Para reconhecer padrões nos dados, a rede utilizou uma abordagem de tentativa e erro.

“A rede usou o que aprendeu para comparar como 16 descritores diferenciavam entre estruturas LDL e HDL em diferentes temperaturas”, relata Nobuyuki Matubayasi, autor sênior. “Dessa forma, determinamos os descritores mais eficientes.”

As descobertas podem ser utilizadas para aprofundar a compreensão da relação entre flutuações estruturais e estados termodinâmicos da água, oferecendo insights sobre a origem das propriedades anômalas da água e permitindo o desenvolvimento de descritores estruturais aprimorados.

Detalhes da publicação: Machine learning evaluation of structural descriptors for supercooled water, Communications Chemistry (2026). DOI: 10.1038/s42004-026-02097-1.