Mit maschinellem Lernen den Weg des Wassers verstehen

Nov 20, 2023

Füllen Sie das Formular unten aus und wir senden Ihnen per E-Mail eine PDF-Version von „Understanding the Way of Water Using Machine Learning“

Füllen Sie das Formular unten aus, um den Zugriff auf ALLE Audioartikel freizuschalten.

Wasser gibt Wissenschaftlern seit Jahrzehnten Rätsel auf. In den letzten etwa 30 Jahren haben sie die Theorie aufgestellt, dass Wasser, wenn es auf eine sehr niedrige Temperatur wie -100 °C abgekühlt wird, in der Lage sein könnte, sich in zwei flüssige Phasen unterschiedlicher Dichte zu trennen. Wie Öl und Wasser vermischen sich diese Phasen nicht und könnten einige andere seltsame Verhaltensweisen von Wasser erklären, etwa die Tatsache, dass es beim Abkühlen weniger dicht wird.

Es ist jedoch nahezu unmöglich, dieses Phänomen im Labor zu untersuchen, da Wasser bei so niedrigen Temperaturen so schnell zu Eis kristallisiert. Nun nutzt eine neue Forschung des Georgia Institute of Technology Modelle des maschinellen Lernens, um die Phasenänderungen von Wasser besser zu verstehen und eröffnet so weitere Möglichkeiten für ein besseres theoretisches Verständnis verschiedener Substanzen. Mit dieser Technik fanden die Forscher starke rechnerische Beweise zur Unterstützung des Flüssig-Flüssig-Übergangs von Wasser, die auf reale Systeme angewendet werden können, die Wasser für den Betrieb nutzen.

„Wir tun dies mit sehr detaillierten quantenchemischen Berechnungen, die versuchen, der realen Physik und physikalischen Chemie von Wasser so nahe wie möglich zu kommen“, sagte Thomas Gartner, Assistenzprofessor an der School of Chemical and Biomolecular Engineering der Georgia Tech. „Dies ist das erste Mal, dass jemand diesen Übergang mit dieser Genauigkeit untersuchen konnte.“

Die Forschung wurde in dem Artikel „Liquid-Liquid Transition in Water From First Principles“ in der Zeitschrift Physical Review Letters zusammen mit Co-Autoren der Princeton University vorgestellt.

Um besser zu verstehen, wie Wasser interagiert, führten die Forscher molekulare Simulationen auf Supercomputern durch, die Gartner mit einem virtuellen Mikroskop verglich.

„Wenn man ein unendlich leistungsstarkes Mikroskop hätte, könnte man bis auf die Ebene der einzelnen Moleküle heranzoomen und beobachten, wie sie sich in Echtzeit bewegen und interagieren“, sagte er. „Das ist es, was wir tun, indem wir fast einen Computerfilm erstellen.“

Die Forscher analysierten, wie sich die Moleküle bewegen, und charakterisierten die Flüssigkeitsstruktur bei unterschiedlichen Wassertemperaturen und -drücken und ahmten die Phasentrennung zwischen Flüssigkeiten mit hoher und niedriger Dichte nach. Sie sammelten umfangreiche Daten – führten einige Simulationen bis zu einem Jahr lang durch – und optimierten ihre Algorithmen weiter, um genauere Ergebnisse zu erzielen.

Noch vor einem Jahrzehnt wäre es nicht möglich gewesen, derart lange und detaillierte Simulationen durchzuführen, doch maschinelles Lernen bot heute eine Abkürzung. Die Forscher verwendeten einen Algorithmus für maschinelles Lernen, der die Energie berechnete, mit der Wassermoleküle miteinander interagieren. Dieses Modell führte die Berechnung deutlich schneller durch als herkömmliche Techniken, wodurch die Simulationen wesentlich effizienter abliefen.

Maschinelles Lernen ist nicht perfekt, daher verbesserten diese langen Simulationen auch die Genauigkeit der Vorhersagen. Die Forscher achteten sorgfältig darauf, ihre Vorhersagen mit verschiedenen Arten von Simulationsalgorithmen zu testen. Wenn mehrere Simulationen ähnliche Ergebnisse lieferten, bestätigte dies deren 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 experimentell kaum zu untersuchen ist“, sagte Gartner. „Wir gehen hier wirklich an die Grenzen, das ist ein weiterer Grund, warum es so wichtig ist, dass wir versuchen, dies mit mehreren verschiedenen Rechentechniken zu erreichen.“

Einige der von den Forschern getesteten Bedingungen waren Extreme, die wahrscheinlich nicht direkt auf der Erde existieren, aber möglicherweise in verschiedenen Wasserumgebungen des Sonnensystems auftreten könnten, von den Ozeanen Europas bis hin zu Wasser im Zentrum von Kometen. Doch diese Erkenntnisse könnten Forschern auch dabei helfen, die seltsame und komplexe physikalische Chemie des Wassers besser zu erklären und vorherzusagen, die Nutzung von Wasser in industriellen Prozessen zu beeinflussen, bessere Klimamodelle zu entwickeln und vieles mehr.

Laut Gartner ist die Arbeit sogar noch verallgemeinerbarer. 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 so zentral für das Leben und die Industrie, daher ist diese spezielle Frage, ob Wasser diesen Phasenübergang durchlaufen kann, seit langem ein Problem, und wenn wir einer Antwort näher kommen können, 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 viel Raum, um das Feld voranzubringen.“

Referenz: Gartner TE, Piaggi PM, Car R, Panagiotopoulos AZ, Debenedetti PG. Flüssig-Flüssig-Übergang in Wasser aus den Grundprinzipien. Phys Rev Lett. 2022;129(25):255702. doi: 10.1103/PhysRevLett.129.255702

Dieser Artikel wurde aus den folgenden Materialien erneut veröffentlicht. Hinweis: Das Material wurde möglicherweise hinsichtlich Länge und Inhalt bearbeitet. Für weitere Informationen wenden Sie sich bitte an die angegebene Quelle.