Air menutupi sebagian besar permukaan bumi, namun perilakunya membedakannya dari hampir semua cairan lainnya. Salah satu karakteristiknya yang paling tidak biasa adalah ia mengembang dan bukannya menyusut ketika membeku. Para ilmuwan telah lama mengaitkan perilaku aneh ini dengan perubahan struktur mikroskopis air seiring dengan perubahan suhu dan tekanan, namun mereka tidak memiliki cara yang konsisten untuk menggambarkan dan membandingkan perubahan struktural ini.
Kini, para peneliti di Universitas Osaka beralih ke kecerdasan buatan (AI) untuk mengatasi tantangan ini. Sistem AI mereka menyediakan cara terpadu untuk membandingkan berbagai metode dalam mendeskripsikan struktur air superdingin, membantu mengidentifikasi metode mana yang menangkap fitur paling penting. Penelitian ini dipublikasikan di Kimia komunikasi.
Mengapa air yang sangat dingin berperilaku sangat aneh
Agar air cair dapat berubah menjadi es, molekul-molekulnya harus menyusun dirinya menjadi kisi kristal yang teratur. Proses ini dimulai di lokasi nukleasi, permukaan tempat kristal es mulai terbentuk. Kotoran kecil di dalam air atau bahkan goresan mikroskopis di dalam wadah dapat menjadi titik awalnya.
Jika situs nukleasi ini tidak ada, air akan tetap berbentuk cair bahkan setelah didinginkan di bawah titik beku normalnya. Kondisi yang tidak biasa ini dikenal sebagai air superdingin.
Sifat air yang tidak biasa menjadi lebih jelas dalam kondisi ini. Para ilmuwan percaya bahwa perilaku ini terkait dengan keseimbangan antara dua bentuk air yang bersaing: cairan dengan kepadatan tinggi (HDL) dan cairan dengan kepadatan rendah (LDL). Pada tingkat molekuler, molekul air terus-menerus membentuk dan memutus jaringan ikatan hidrogen. Ketika suhu meningkat, struktur HDL yang lebih padat menjadi semakin dominan dibandingkan susunan LDL yang lebih terbuka.
AI membandingkan model air pesaing
Selama bertahun-tahun, para peneliti telah mengusulkan berbagai cara untuk menggambarkan susunan lokal molekul air, termasuk ukuran seperti tatanan ikatan tetrahedral dan kepadatan lokal. Karena deskriptor struktural ini dikembangkan secara independen, maka mereka menggunakan skala, dimensi, dan jenis informasi yang berbeda. Hal ini membuat sulit untuk membandingkannya secara langsung dan menentukan mana yang paling berguna.
“Penelitian sebelumnya menunjukkan bahwa penggunaan pembelajaran mesin untuk mengklasifikasikan dan memahami data struktural adalah efektif,” kata penulis koresponden Kang Kim. “Kami secara khusus ingin memasukkan model jaringan saraf ke dalam penelitian ini untuk menilai keakuratan deskriptor dalam menangkap informasi struktural utama, dengan cara yang mirip dengan kognisi manusia.”
Untuk melatih AI, para peneliti memasukkan data struktural jaringan saraf yang dihasilkan dari simulasi dinamika molekuler air superdingin. Melalui percobaan dan kesalahan yang berulang-ulang, sistem belajar mengenali pola-pola bermakna dalam struktur molekul.
Petunjuk baru tentang struktur air yang tersembunyi
“Jaringan tersebut menggunakan apa yang dipelajarinya untuk membandingkan bagaimana 16 deskriptor membedakan struktur LDL dan HDL pada suhu berbeda,” lapor penulis utama Nobuyuki Matubayasi. “Dengan cara ini, kami menentukan deskriptor yang paling efektif.”
Para peneliti mengatakan kerangka kerja mereka dapat meningkatkan pemahaman para ilmuwan tentang bagaimana perubahan struktural mikroskopis berhubungan dengan perilaku termodinamika air. Temuan ini juga dapat membantu menjelaskan asal mula sifat air yang tidak biasa sekaligus memandu pengembangan alat yang lebih baik untuk mempelajari struktur molekul kompleksnya.
