Yapay zeka suyun donma ve genleşme davranışını haritalandırdı

Su, donduğunda genleşmesi ve farklı sıcaklık ile basınç koşullarında sıra dışı davranışlar göstermesi nedeniyle bilim dünyasının en çok incelenen maddelerinden biri olmayı sürdürüyor. Buna rağmen suyun mikroskobik yapısındaki değişimleri doğrudan karşılaştırabilecek ortak bir ölçüm yöntemi bugüne kadar geliştirilememişti.
Osaka Üniversitesi araştırmacıları, bu sorunu aşmak için aşırı soğutulmuş suyun moleküler yapısını inceleyen yeni bir makine öğrenimi çerçevesi geliştirdi. Communications Chemistry dergisinde yayımlanan çalışma, suyun farklı yapısal özelliklerini aynı sistem içinde karşılaştırmayı amaçlıyor.

AŞIRI SOĞUTULMUŞ SU İNCELENDİ
Normal koşullarda suyun buza dönüşebilmesi için moleküllerin düzenli bir kristal yapı etrafında sıralanması gerekiyor. Bu süreç çoğunlukla sudaki mikroskobik safsızlıklar veya bulunduğu kabın yüzeyindeki küçük çizikler üzerinden başlıyor.
Bu çekirdeklenme noktaları ortadan kaldırıldığında ise su, normal donma sıcaklığının altına düşmesine rağmen sıvı halde kalabiliyor. Aşırı soğutulmuş su olarak adlandırılan bu faz, suyun en sıra dışı moleküler davranışlarının gözlendiği koşullar arasında bulunuyor.

İKİ FARKLI SIVI YAPI
Araştırmacılara göre aşırı soğutulmuş su, iki farklı moleküler yapı arasında sürekli geçiş yapıyor. Yüksek yoğunluklu sıvı olarak adlandırılan yapı, daha kompakt bir moleküler düzene sahipken düşük yoğunluklu sıvı daha açık ve geniş bir yapı gösteriyor.
Sıcaklık ve basınç değiştikçe bu iki yapının su içindeki ağırlığı da değişiyor. Ancak bugüne kadar kullanılan yapısal ölçüm yöntemleri birbirinden farklı olduğu için HDL ve LDL yapılarının doğrudan karşılaştırılması zorlaşıyordu.

16 FARKLI TANIMLAYICI KARŞILAŞTIRILDI
Araştırma ekibi, suyun moleküler düzenini tanımlamak için kullanılan 16 farklı yapısal tanımlayıcıyı aynı yapay zeka modeli içinde test etti. Model, aşırı soğutulmuş suya ait moleküler dinamik simülasyonlarından elde edilen binlerce veriyle eğitildi.
Sinir ağı, farklı sıcaklıklarda yüksek ve düşük yoğunluklu sıvı yapılarını ayıran örüntüleri analiz etti. Böylece hangi tanımlayıcıların suyun yapısal değişimlerini daha doğru yansıttığı belirlendi.

SİNİR AĞI KULLANILDI
Çalışmanın baş yazarı Kang Kim, makine öğreniminin karmaşık yapısal verileri sınıflandırmada etkili bir yöntem sunduğunu belirtti. Araştırmacılar, özel olarak oluşturulan sinir ağıyla her tanımlayıcının temel moleküler bilgiyi ne ölçüde yakalayabildiğini değerlendirdi.
Çalışmanın kıdemli yazarı Nobuyuki Matubayasi de yapay zeka modelinin, 16 farklı ölçüm yöntemini HDL ve LDL yapıları arasındaki ayrım gücüne göre karşılaştırdığını ifade etti.

ORTAK BİR KARŞILAŞTIRMA ÇERÇEVESİ
Yeni yöntem, daha önce birbirinden bağımsız biçimde kullanılan yapısal göstergelerin aynı model içinde değerlendirilmesine imkan sağlıyor. Böylece suyun moleküler davranışını açıklamak için kullanılan farklı yaklaşımlar arasında doğrudan karşılaştırma yapılabiliyor.
Araştırmacılar, bu çerçevenin yalnızca suyun yapısını anlamak için değil, farklı sıvıların ve karmaşık moleküler sistemlerin incelenmesinde de kullanılabileceğini belirtiyor.

SOĞUTMA VE MALZEME BİLİMİNDE KULLANILABİLİR
Aşırı soğutulmuş suyun yapısının daha iyi anlaşılması, kriyojenik sistemler, endüstriyel soğutma, malzeme bilimi ve kimya teknolojileri açısından önem taşıyor. Suyun sıcaklık ve basınç altında nasıl davrandığının daha doğru tahmin edilmesi, bu alanlardaki tasarım ve modelleme çalışmalarına katkı sağlayabilir.
Geliştirilen yapay zeka çerçevesi, suyun termodinamik özelliklerini daha sistematik biçimde incelemek için yeni bir araştırma aracı sunuyor.