日本大阪大学（简称，阪大）研究生院基础工学研究科博士生1年级的吉川航平、博士生3年级的四方志、金钢副教授、松林伸幸教授组成的研究团队，通过让人工智能（AI）学习液态水中氢键网络的结构特征，发现仅依据水分子排列信息即可预测温度。相关研究成果已发表在《Communications Chemistry》上。
图1 研究概念图。AI从水的分子排列信息中预测温度（供图：大阪大学）
图2 计算机模拟获得的分子排列。(左)300K与(右)200K的对比显示，两者均呈无序状态，肉眼难以分辨差异，但神经网络能够据此高精度预测温度（供图：大阪大学）
液态水中的相邻水分子在协同运动的同时，不断交换氢键对象。由于氢键网络会随时间不断重组，很难从中发现明确的秩序或规律性。另一方面，由于水分子具有折线型结构且呈现强极性，氢键在局部上易于形成四面体结构，即使在液态下也被认为仍残留着这一结构的痕迹。
研究团队利用基于神经网络的人工智能，成功从分子动力学模拟生成的不同温度条件下的水分子排列信息中，通过其结构特征预测了温度。此外，研究团队还针对过去提出的16种分子级结构指标，系统性对比评估了各类指标的温度预测性能。结果表明，对于形成四面体结构的4个水分子，用于量化第5个水分子靠近所引发的结构紊乱的指标，表现出最高的预测精度。
该结果表明，液态水在本质上依然存在局部四面体有序结构，同时该结构会因与周围水分子的相互作用而持续受到扰动。换言之，该结果可解释为：液态水的四面体结构并未完全崩解，而是以“局部有序”与“动态无序”共存的状态稳定存在。此外，温度依赖性分析表明，随着温度降低，这种局部四面体有序结构变得更加明显，结构连续地向更有序的状态变化。另一方面，研究确认该有序结构始终伴随动态无序扰动，并非完整的晶体结构，而是维持着独有的液态特性。
本次研究证实，即便是液态水这类看似完全无序的物质，其内部也蕴含着能够反映温度等热力学状态的结构信息。这为从分子水平结构涨落解读物质性质提供了新的视角。这类研究方法有望推动水在4℃时密度达到最大值等特殊异常性质成因的解析工作。
金钢副教授表示：“液态水的结构极其无序，最初我们并未预料到仅凭水分子排列就能预测温度。然而神经网络捕捉到了其中潜藏的信息，并以高精度解读出了温度。更令人惊讶的是，我们还发现这种高精度背后的分子级依据——四面体结构的紊乱特征。希望本项成果能够成为深化人们对水这一最熟悉物质认识的契机。”
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
期刊：Communications Chemistry
论文：Machine learning evaluation of structural descriptors for supercooled water
DOI：doi.org/10.1038/s42004-026-02097-1
