El agua sigue siendo un gran misterio para la ciencia. A lo largo de muchos años, la comunidad científica ha tratado de arrojar luz sobre determinadas cuestiones relacionadas con el agua. Un ejemplo de ello es que, durante las tres últimas décadas, se ha hipotetizado sobre un fenómeno que se produce a una temperatura de -100ºC. Al alcanzarse esta temperatura, el agua podría separarse en dos fases líquidas que presentan distinta densidad.
Machine learning en el proceso de investigación
La teoría planteada supone un reto para su estudio. El estudio de este fenómeno es prácticamente imposible puesto que, al alcanzar temperaturas tan bajas, el agua se cristaliza a gran velocidad. Sin embargo, un modelo de machine learning podría ayudar a comprender los cambios de fase del agua. El sistema, basado en aprendizaje automático, ha sido desarrollado en el Instituto de Tecnología de Georgia.
El machine learning ha permitido realizar nuevas observaciones. A través de esta técnica, el equipo que ha desarrollado el estudio ha podido encontrar datos computacionales que apuntan hacia la teoría planteada. Es decir, se han hallado sólidos indicios de la transición líquido-líquido del agua que puede ofrecer aplicaciones a diferentes tipos de sistemas.
El hallazgo de datos computacionales, apuntan hacia la teoría propuesta
Se han desarrollado cálculos para realizar una aproximación al plano real. Como señala Thomas Gartner, miembro del equipo, se han utilizado cálculos de química cuántica significativamente detallados. Las estimaciones calculadas buscan la mayor proximidad a la física y química del agua real. Además, otro aspecto especialmente reseñable es que es un estudio pionero en cuanto a la precisión empleada.
Modelos de gran precisión
Simulaciones moleculares sirvieron para conocer la interacción del agua. A través de simulaciones desarrolladas en ordenadores de gran capacidad, Gartner puso realizar comparaciones mediante un microscopio virtual.
El estudio se desarrolló ante distintas condiciones de temperatura y presión. El equipo investigador investigó el movimiento de las moléculas, usando en el proceso diferentes temperaturas y presiones. De esta forma se recreó la separación de fases entre líquidos de alta y baja densidad. Las simulaciones se prolongaron durante un año, de esta forma se obtuvieron un gran volumen de datos y se pudo ajustar el modelo para ser lo más preciso posible.
Los investigadores utilizaron distintas condiciones de temperatura y presión
El machine learning ha abierto la puerta a nuevas formas de investigación. Gracias al desarrollo en los modelos de algoritmos de aprendizaje automático, los investigadores pudieron desarrollar simulaciones altamente detalladas. A través del algoritmo, pudieron estimar la energía de la interacción de las moléculas. Además, por la potencia de este método, se obtuvieron resultados en un menor lapso de tiempo que con medios convencionales.
El largo proceso de duración mejora la precisión de los modelos. La técnica de machine learning, no es perfecta, por lo tanto, una simulación prolongada ofrece mejores resultados. En la investigación se emplearon distintos algoritmos responsables de desempeñar simulaciones.
Una simulación prolongada ofrece mejores resultados
El estudio se ha enfrentado a la falta de datos para realizar comparaciones. Como indica Gartner, la incapacidad para obtener datos con los que comparar se debe a que es prácticamente imposible realizar un análisis experimental. Por ello, resalta el investigador, es de suma importancia que se realice el estudio empleando diversas técnicas computacionales.
Aplicaciones futuras de la técnica
Se probaron diversas condiciones, incluso algunas que no se encuentran en la Tierra. A pesar de ser condiciones que no están presentes en nuestro planeta, los investigadores probaron con posibles condiciones presentes en el sistema solar. Es decir, entornos que, desde los océanos de Europa, hasta el agua en el centro de los cometas, pueden ser acuáticos. Además, los resultados obtenidos, pueden ayudar a realizar predicciones más precisas sobre el agua.
Las conclusiones obtenidas, son aplicables a otros campos. Como apunta Gartner, el estudio puede ser generalizado. Es decir, la metodología de la investigación puede ser extrapolada a materiales que resultan más difíciles de estudiar, como es el caso de los polímeros o fenómenos como las reacciones químicas.
La metodología de la investigación puede ser aplicada a diferentes campos
Conclusión
El estudio aumenta el conocimiento del agua, un elemento esencial para la vida. En palabras de los investigadores, al contar con la técnica computacional que se ha empleado, aumenta la capacidad para la investigación. A pesar de los avances que ofrece, hasta la fecha no se han identificado los límites y, por lo tanto, existe aún mucho por avanzar.
