Si bien se considera que el agua es una de las sustancias más simples del mundo, modelar su comportamiento a nivel atómico o molecular ha frustrado a los científicos durante décadas. Hasta la fecha, ningún modelo ha sido capaz de representar con precisión la gran cantidad de características singulares del agua, incluido el hecho de que es más denso a una temperatura ligeramente superior a su punto de fusión.
Un nuevo estudio del Laboratorio Nacional Argonne del Departamento de Energía de los Estados Unidos (DOE, por sus siglas en inglés) ha logrado un gran avance en el esfuerzo por representar matemáticamente cómo se comporta el agua. Para hacerlo, los investigadores de Argonne utilizaron el aprendizaje automático para desarrollar un nuevo modelo de agua computacionalmente económico que representa con mayor precisión las propiedades termodinámicas del agua, incluida la forma en que el agua cambia al hielo a escala molecular.
En el estudio, los investigadores del Centro de Materiales a Nanoescala (CNM) de Argonne utilizaron un flujo de trabajo de aprendizaje automático para optimizar un nuevo modelo molecular de agua. Entrenaron a su modelo con datos experimentales extensos para generar un modelo de propiedades del agua a escala molecular de alta precisión.
La optimización de los parámetros del modelo para el agua siempre ha sido un desafío, y actualmente existen más de 50 modelos diferentes de agua, según el nanoscientista de Argonne Subramanian Sankaranarayanan, el autor correspondiente del estudio.
La optimización de los parámetros del modelo para el agua siempre ha sido un desafío, y actualmente existen más de 50 modelos diferentes de agua
Al tratar de crear modelos mecánicos o atomísticos cuánticos para capturar el comportamiento del agua, los investigadores quedaron desconcertados porque son computacionalmente intensivos y aún no reproducen muchas propiedades del agua que dependen de la temperatura. Según Henry Chan, investigador postdoctoral de Argonne y autor principal del estudio, esto es aún más difícil de lograr con modelos simples, como el que se usa en este estudio.
Para los investigadores, la opción de utilizar moléculas de agua completas como la unidad fundamental en el modelo les permitió realizar la simulación a bajo costo computacional.
"Aunque tradicionalmente estos modelos simples presentan una serie de aproximaciones y, a menudo, sufren de poca precisión, el aprendizaje automático nos permite crear un modelo mucho más preciso a la vez que mantenemos la simplicidad", dijo Badri Narayanan, profesor asistente de la Universidad de Louisville, co-primer autor de estudiar.
Según el co-primer autor y científico asistente de la CNM Mathew Cherukara, este nuevo modelo, denominado "de grano grueso", logra una fidelidad a la par con los modelos que incorporan una descripción de nivel atómico. "Tradicionalmente, uno pensaría que la introducción de estas aproximaciones normalmente daría como resultado un modelo mucho peor, uno que es eficiente pero que no funciona muy bien", dijo. "La belleza es que este modelo molecular no tiene derecho a ser tan preciso como los modelos atomistas, pero aún así lo es".