✨︎ Resumen (TL;DR):
- Un equipo de la Universidad de Osaka usó redes neuronales para evaluar 16 maneras de describir el agua supercongelada.
- El Índice de Estructura Local (LSI) y el descriptor ζ resultaron los indicadores más precisos en las simulaciones.
- El avance no descubre nuevas propiedades del agua, pero unifica las herramientas matemáticas para estudiar sus anomalías.
Un equipo de investigadores de la Universidad de Osaka utilizó inteligencia artificial para evaluar 16 descriptores moleculares y determinar cuál de ellos describe mejor el comportamiento atípico del agua supercongelada. El estudio, publicado el 6 de julio de 2026 en la revista Communications Chemistry, busca resolver de manera objetiva cómo medir los cambios estructurales que hacen que este líquido actúe de forma única en la naturaleza.
El agua es un elemento extraño. A diferencia de casi toda la materia, que se encoge al enfriarse, el agua se expande y alcanza su densidad máxima cerca de los 4 °C. Por eso el hielo flota en los lagos, permitiendo que la vida acuática sobreviva abajo durante el invierno.
Dos formas líquidas en una sola copa
Agua supercongelada es un estado físico que permite al agua mantenerse líquida por debajo de los 0 °C cuando no existen impurezas que inicien la cristalización. En este estado, el agua suele alternar entre dos estructuras: un líquido de alta densidad (HDL) y un líquido de baja densidad (LDL).
Para ordenar las teorías sobre este comportamiento, los científicos usaron machine learning. El equipo entrenó una red neuronal con simulaciones de dinámica molecular usando el modelo de agua TIP4P/2005, a temperaturas de 200 a 300 kelvin (entre -73 °C y 27 °C).
El reto para la inteligencia artificial consistió en adivinar la temperatura de una muestra basándose únicamente en su estructura molecular. Si un descriptor químico es preciso, la IA determina la temperatura con facilidad; si es malo, el modelo falla.
“Estudios previos han demostrado que usar aprendizaje automático para clasificar y entender datos estructurales es eficaz. Quisimos incorporar específicamente un modelo de red neuronal en este estudio para evaluar qué tan precisos eran los descriptores al capturar información estructural clave, de una manera parecida a la cognición humana”, detalló Kang Kim, coautor de la investigación.
Los descriptores ganadores elegidos por la IA
El análisis arrojó dos ganadores contundentes: el Índice de Estructura Local (LSI) y el descriptor molecular ζ (zeta). Ambos miden la separación espacial entre las capas de moléculas vecinas.
El LSI mostró una precisión casi perfecta, alcanzando una calificación de 0.99 en una escala donde 1 representa la exactitud absoluta.
“La red usó lo que había aprendido para comparar cómo 16 descriptores diferenciaban entre las estructuras LDL y HDL a distintas temperaturas. De este modo, determinamos los descriptores más eficientes”, explicó Nobuyuki Matubayasi, autor principal del trabajo.
Mediante técnicas de IA explicable, los autores comprobaron que el software basó sus decisiones en principios de la física real, asociando la estructura LDL con bajas temperaturas y la HDL con temperaturas altas. Este avance facilita el camino para diseñar mejores modelos que expliquen las anomalías del líquido más común de la.
