在数字化转型席卷各行各业的今天，人工智能不仅改变了商业与生活，更正在重塑基础科学的研究范式。日本大阪大学团队借助AI模型，破解了困扰科学界百年的水结冰膨胀之谜，为理解水的反常行为提供了全新视角，也为AI工具导航应用于前沿科学探索树立了标杆。
百年谜团：水为何结冰膨胀？
水是地球上最常见的液体，却也是物理学家最头疼的物质之一。绝大多数液体在凝固时体积会收缩，密度增大——比如铁水冷却成铁锭，石蜡凝固后表面凹陷。但水恰恰相反：当温度降至0℃以下，水结冰后体积膨胀约9%，密度反而降低，这就是为什么冰块能浮在水面上。这种看似寻常的现象，背后却隐藏着长达百年的科学谜题。
传统理论认为，水的反常行为源于其独特的分子结构——水分子通过氢键形成四面体网络，在低温下这种网络会变得更加开放、疏松，导致体积膨胀。然而，水分子在液态、过冷态和固态之间究竟如何动态重组，科学界一直缺乏系统性的描述工具。大阪大学副教授金康（Kang Kim）团队意识到，要破解这个谜题，关键在于找到一种能够精准“观看”水分子微观结构的“透视镜”。
值得注意的是，这个问题的复杂性远超想象。水分子在常温下每秒发生上万亿次氢键断裂与重组，其局部结构会随着温度、压力的微小变化而产生剧烈波动。过去的研究大多依赖单一描述方法，比如径向分布函数或氢键数目统计，但这些方法往往只能捕捉到某个侧面，无法完整刻画水分子从液态到冰态的连续演化过程。正如一位物理学家所言：“我们就像盲人摸象，每个方法都只能摸到一部分，却看不到全貌。”
AI模型：破译微观结构的“透视镜”
面对这个难题，大阪大学团队选择了一条与众不同的路径：将AI技术引入到分子结构描述方法的评估中。他们不再纠结于“哪种方法更好”的争论，而是让机器学习模型对16种不同的分子结构描述子进行系统性、客观的性能对比评估。
这16种描述子涵盖了从经典几何参数（如键角、四面体序参数）到现代拓扑指标（如H-Bond网络连通性、Voronoi多面体体积）等几乎全部主流方法。团队利用AI模型的高维数据处理能力，对每一种描述子在不同温度（从室温到深过冷态）、不同压力条件下的“表现”进行打分。AI模型就像一个公正的裁判，根据描述子能否最稳定、最敏感地反映水分子局部次序的变化，来给出量化评分。
实验结果令人振奋：一种名为“Steinhart序参数”的数学工具被证明是表现最佳的“透视镜”。它能够同时捕捉到水分子中“高密度液态（HDL）”与“低密度液态（LDL）”两种竞争性结构的动态比例变化，而其他方法要么过于粗糙，要么只对特定温度敏感。金康副教授表示：“AI模型帮助我们突破了人类直觉的局限，找出了原本被忽视的最优解。这也证明了机器学习算法在基础科学中的巨大潜力。”
实验方法：16种描述子的系统性评估
为了确保评估的严谨性，团队设计了一套完整的实验流程。首先，他们利用分子动力学模拟生成大量水分子构型数据，覆盖了从300K（室温）到230K（深过冷）的宽温度范围，以及从常压到高压的不同条件。每一帧构型都包含了数千个水分子的三维坐标和氢键连接信息。
接着，他们用16种描述子分别计算每个构型的“局部结构特征向量”，然后将这些特征向量输入到AI分类器中。AI的任务是：仅根据这些特征向量，判断水分子所处的温度状态。如果某个描述子提供的特征向量能让AI模型准确区分不同温度下的水分子构型，就说明该描述子捕捉到了随温度变化的关键结构信息，其“信息量”越丰富，评分越高。
这个方法的巧妙之处在于，它绕过了对“什么结构才是关键”的预设判断，完全让数据说话。最终，Steinhart序参数在分类准确率上领先第二名超过15个百分点，成为当之无愧的最佳描述子。团队还进一步验证了该描述子对压力变化的敏感性，发现它在高压下同样表现出色，能够清晰区分HDL和LDL两种竞争结构的比例变化。
值得一提的是，这项研究本身也是数字化转型在科研方法上的体现——用数据驱动代替经验驱动，用AI模型取代人工筛选。正如论文作者所说：“我们不是在做传统意义上的物理实验，而是在用AI工具做一次‘元研究’——研究研究方法本身。”
核心发现：过冷水中的“高密度”与“低密度”竞争
基于Steinhart序参数这一“透视镜”，团队首次以统一框架揭示了水结冰膨胀的微观机制。关键发现集中在“过冷水”这一特殊状态上。
过冷水是指温度低于0℃但尚未结冰的水。在光滑洁净的容器中，水可以冷却到零下40℃而不凝固，处于一种“亚稳态”。论文指出，过冷水中同时存在两种竞争性的液态结构：高密度液态（HDL）和低密度液态（LDL）。HDL中分子排列较为紧密，类似普通液态水；而LDL中分子形成更开放的四面体网络，结构更接近冰。当温度降低时，LDL的比例会逐渐增加；当温度升高时，HDL的比例占优。
水结冰膨胀的关键在于：冰晶的形成需要分子以LDL式的开放结构排列。在过冷水中，LDL结构的局部区域会自然形成“成核位”——即分子有序排列的种子。一旦某种扰动（如杂质或容器壁的划痕）触发，这些LDL区域就会迅速扩展，带动周围所有分子转变为冰晶结构。由于LDL本身比HDL更疏松，整个体系在结冰时体积自然膨胀。
这个模型还解释了为什么水在4℃时密度最大：在4℃以上，水温升高使分子热运动加剧，氢键被破坏，LDL结构减少，HDL主导，密度随温度升高而降低（正常热胀冷缩）；在4℃以下，随着温度降低，LDL结构开始增多，但由于LDL结构更开放，体积反而增大，密度下降。两种效应的叠加使得4℃成为密度峰值点。
意义与展望：数字化转型驱动科学新纪元
这项研究的意义远不止于解答一个物理谜题。它标志着数字化转型在基础科学研究中的一次重要突破——AI不再只是“提效工具”，而是成为发现新知识、新规律的核心引擎。
传统科学研究往往依赖研究者的直觉和经验来选择分析工具，这种“手动筛选”的方式效率低下且容易遗漏最优解。而AI模型能够客观、全面地评估所有候选方案，给出量化排名，甚至可能发现人类从未想到过的新方法。这种“AI辅助元研究”的范式，未来可应用于材料科学、化学、生物学等众多领域。例如，在寻找新型催化剂或药物分子时，AI可以系统评估不同描述子的预测能力，帮助科学家更快锁定关键结构特征。
对于科技产品而言，这项研究提供了一种可复用的方法论。许多科技产品（如高精度传感器、仿生材料、智能水处理系统）都依赖于对水分子行为的精准理解。通过AI模型找到最优描述子，可以为这些产品提供更可靠的理论基础。例如，结合AI画图技术，科研人员可以直接生成分子结构的可视化图像，直观展示HDL与LDL的分布，辅助教学和科普。
从更宏观的视角看，这场数字化转型正在重新定义“科学发现”的边界。当AI能够自动评估、筛选、优化研究方法时，科学家的角色将从“操作者”转变为“提问者”和“决策者”——只需提出正确的问题，AI便能帮助找到通往答案的最佳路径。
未来应用：从实验室到科技产品
这项研究成果的未来应用前景广阔。首先，在材料科学领域，水结冰膨胀机制的统一解释有助于设计抗冻材料、防冰涂层以及新型制冷剂。例如，通过控制材料表面微观结构来抑制LDL的成核，可以使水在更低的温度下保持液态，提升飞机机翼、风力发电机叶片等的防冰性能。
其次，在生物医学领域，细胞内的水在过冷状态下的行为与冷冻保存技术密切相关。利用AI模型找到的最优描述子，可以更精确地预测冷冻保护剂的效果，从而提升器官移植、干细胞保存的成功率。
更贴近日常生活的应用，则体现在科技产品的智能化上。例如，智能冰箱可以通过AI算法精确控制冷却速率，避免食物内部形成大冰晶破坏细胞结构，延长保鲜期。而AI图片生成技术则可以帮助设计师将水分子复杂的动态结构转化为直观的图像，用于科普教育或产品说明书。
此外，从方法论层面，大阪大学团队开发的这套AI评估框架，本身就可以打包成AI工具箱，供其他研究团队直接使用。只需输入分子构型数据，AI就能自动推荐最适合的描述子，大大降低科研门槛。这也意味着，未来更多非专业编程背景的科学家也能享受到AI带来的红利。
总之，水结冰膨胀之谜的破解，不仅是一篇科学论文的胜利，更是数字化转型时代下研究范式变革的生动注脚。当AI技术开始思考“如何思考”时，科学发现的边界将被重新定义。