Mithilfe von maschinellem Lernen besser verstehen, wie sich Wasser verhält
Wasser gibt Wissenschaftlern seit Jahrzehnten Rätsel auf. Seit etwa 30 Jahren stellen sie die Theorie auf, dass sich Wasser bei einer Abkühlung auf eine sehr niedrige Temperatur wie -100 °C in zwei flüssige Phasen mit unterschiedlicher Dichte aufspalten könnte. Wie Öl und Wasser vermischen sich diese Phasen nicht und könnten dazu beitragen, einige der anderen seltsamen Verhaltensweisen des Wassers zu erklären, z. B. dass es bei Abkühlung weniger dicht wird.
Molekulare Simulationsergebnisse, die zeigen, wie sich Wassermoleküle in der hochdichten flüssigen Phase umeinander bewegen und strukturieren.
Georgia Tech
Es ist jedoch fast unmöglich, dieses Phänomen im Labor zu untersuchen, weil Wasser bei so niedrigen Temperaturen so schnell zu Eis kristallisiert. Eine neue Forschungsarbeit des Georgia Institute of Technology nutzt nun Modelle des maschinellen Lernens, um die Phasenveränderungen von Wasser besser zu verstehen, und eröffnet damit weitere Möglichkeiten für ein besseres theoretisches Verständnis verschiedener Substanzen. Mit dieser Technik haben die Forscher starke rechnerische Beweise für den Flüssig-Flüssig-Übergang von Wasser gefunden, die sich auf reale Systeme anwenden lassen, die mit Wasser arbeiten.
"Wir tun dies mit sehr detaillierten quantenchemischen Berechnungen, die versuchen, der realen Physik und physikalischen Chemie von Wasser so nahe wie möglich zu kommen", sagt Thomas Gartner, Assistenzprofessor an der School of Chemical and Biomolecular Engineering der Georgia Tech. "Dies ist das erste Mal, dass jemand in der Lage war, diesen Übergang mit dieser Genauigkeit zu untersuchen.
Die Forschungsarbeit wurde in der Fachzeitschrift Physical Review Letters unter dem Titel "Liquid-Liquid Transition in Water From First Principles" (Flüssig-Flüssig-Übergang in Wasser nach ersten Prinzipien) zusammen mit Koautoren der Princeton University vorgestellt.
Wasser simulieren
Um besser zu verstehen, wie Wasser interagiert, führten die Forscher Molekularsimulationen auf Supercomputern durch, die Gartner mit einem virtuellen Mikroskop verglich.
"Wenn man ein unendlich leistungsfähiges Mikroskop hätte, könnte man bis auf die Ebene der einzelnen Moleküle heranzoomen und beobachten, wie sie sich bewegen und in Echtzeit interagieren", sagte er. "Genau das tun wir, indem wir quasi einen Computerfilm erstellen."
Die Forscher analysierten, wie sich die Moleküle bewegen, und charakterisierten die Flüssigkeitsstruktur bei verschiedenen Wassertemperaturen und -drücken, wobei sie die Phasentrennung zwischen den Flüssigkeiten mit hoher und niedriger Dichte nachahmten. Sie sammelten umfangreiche Daten - einige Simulationen liefen bis zu einem Jahr - und arbeiteten weiter an der Feinabstimmung ihrer Algorithmen, um noch genauere Ergebnisse zu erzielen.
Noch vor einem Jahrzehnt wäre es nicht möglich gewesen, so lange und detaillierte Simulationen durchzuführen, aber das maschinelle Lernen bietet heute eine Abkürzung. Die Forscher verwendeten einen Algorithmus für maschinelles Lernen, der die Energie der Wechselwirkung zwischen den Wassermolekülen berechnete. Dieses Modell führte die Berechnung deutlich schneller durch als herkömmliche Techniken, so dass die Simulationen wesentlich effizienter ablaufen konnten.
Maschinelles Lernen ist nicht perfekt, so dass diese langen Simulationen auch die Genauigkeit der Vorhersagen verbesserten. Die Forscher testeten ihre Vorhersagen sorgfältig mit verschiedenen Arten von Simulationsalgorithmen. Wenn mehrere Simulationen ähnliche Ergebnisse erbrachten, bestätigte dies ihre Genauigkeit.
"Eine der Herausforderungen bei dieser Arbeit besteht darin, dass es nicht viele Daten gibt, mit denen wir vergleichen können, da es sich um ein Problem handelt, das sich kaum experimentell untersuchen lässt", so Gartner. "Wir stoßen hier wirklich an die Grenzen, und das ist ein weiterer Grund, warum es so wichtig ist, dass wir versuchen, mehrere verschiedene Berechnungsmethoden zu verwenden.
Mehr als Wasser
Einige der von den Forschern getesteten Bedingungen waren Extreme, die wahrscheinlich nicht direkt auf der Erde vorkommen, aber möglicherweise in verschiedenen Wasserumgebungen des Sonnensystems zu finden sind, von den Ozeanen auf Europa bis zum Wasser im Zentrum von Kometen. Diese Ergebnisse könnten den Forschern jedoch auch dabei helfen, die seltsame und komplexe physikalische Chemie des Wassers besser zu erklären und vorherzusagen, was die Verwendung von Wasser in industriellen Prozessen, die Entwicklung besserer Klimamodelle und vieles mehr beeinflussen könnte.
Die Arbeit lässt sich laut Gartner sogar noch weiter verallgemeinern. Wasser ist ein gut erforschtes Forschungsgebiet, aber diese Methodik könnte auf andere schwer zu simulierende Materialien wie Polymere oder komplexe Phänomene wie chemische Reaktionen ausgeweitet werden.
"Wasser ist für das Leben und die Industrie von so zentraler Bedeutung, dass die Frage, ob Wasser diesen Phasenübergang durchlaufen kann, schon seit langem ein Problem ist, und wenn wir eine Antwort finden, ist das wichtig", sagte er. "Aber jetzt haben wir diese wirklich leistungsstarke neue Rechentechnik, aber wir wissen noch nicht, wo die Grenzen liegen, und es gibt noch viel Raum, um das Feld voranzubringen.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Weitere News aus dem Ressort Wissenschaft
Holen Sie sich die Chemie-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die chemische Industrie, Analytik, Labor und Prozess bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
