Ջուրը Երկրի մակերևույթին ամենատարածված հեղուկն է և զգալիորեն տարբերվում է մյուսներից նրանով, որ սառչելիս ընդարձակվում է։ Ջրի այս անոմալիաները կապված են այն բանի հետ, թե ինչպես է դրա միկրոսկոպիկ կառուցվածքը փոխվում՝ կախված ջերմաստիճանից ու ճնշումից։ Այդուհանդերձ, այս կառուցվածքային փոփոխությունների նկարագրության միասնական ու համակարգված մոդել դեռևս գոյություն չունի։
Օսակայի համալսարանի հետազոտողները կիրառում են արհեստական բանականություն (ԱԲ)՝ ջրի բնութագրման համակարգերը գնահատելու համար։ ԱԲ մոդելը գերսառեցված ջրի կառուցվածքային ցուցիչները համեմատող և գնահատող միասնական համակարգի մաս է կազմում։ Այս հայտնագործության մասին հաղորդվել է Communications Chemistry ամսագրում։
Որպեսզի ջուրը սառչի, մոլեկուլները պետք է կարգավորվեն և ձևավորեն բյուրեղային ցանց՝ ինչպես սառույցի դեպքում։ Մոլեկուլներն ամրանում են հիմքին՝ այսպես կոչված բյուրեղացման կենտրոնին և առաջացնում պինդ ֆազա։ Ջրում եղած խառնուրդները կամ անոթի ներքին մակերևույթի քերծվածքները կարող են ծառայել որպես բյուրեղացման կենտրոններ։
Հետևաբար, հարթ ու մաքուր անոթում գտնվող ջուրը կարող է սառեցվել բյուրեղացման կետից ցածր ջերմաստիճանում, սակայն այն չի վերածվի սառույցի, փոխանցում է «Նաուչնայա Ռոսիան»։ Այս վիճակը կոչվում է ջրի գերսառեցում։
Ջրի անոմալ վարքագիծն ավելի ակնառու է դառնում գերսառեցման ընթացքում։ Այս անոմալիաները բացատրվում են երկու մրցակցող վիճակների՝ բարձր խտության հեղուկի (ԲԽՀ) և ցածր խտության հեղուկի (ՑԽՀ) միջև անցումներով։ Միկրոսկոպիկ մակարդակում ջրում կարգավորվածությունը ձևավորվում է միջմոլեկուլային ջրածնային կապերի ցանցի շնորհիվ, որը ժամանակի ընթացքում անընդհատ փոփոխվում է։ Ջերմաստիճանի բարձրացմանը զուգընթաց՝ ԲԽՀ-ի սեղմված կառուցվածքները սկսում են «գերիշխել» ՑԽՀ-ի բաց կառուցվածքների նկատմամբ։
Ջրի տեղային կարգավորվածությունը բնութագրելու համար ներմուծվել են կառուցվածքային տարբեր ցուցիչներ, ինչպիսիք են տետրաէդրիկ կապերի կարգն ու տեղային խտությունը։ Քանի որ այս ցուցիչներն առաջարկվել են միմյանցից անկախ, դրանք որակապես տարբերվում են իրենց պարամետրերով ու մասշտաբներով և կոդավորում են կառուցվածքային տարբեր տեղեկատվություն։ Սա դժվարացնում է ցուցիչների համակարգված համեմատությունը՝ դրանց հարաբերական կարևորությունը գնահատելու համար։
«Նախկին հետազոտությունները ցույց են տվել, որ կառուցվածքային տվյալների դասակարգման և ընկալման համար մեքենայական ուսուցման կիրառումն արդյունավետ է», — բացատրում է հետազոտության հեղինակ Կան Կիմը։ — «Մենք հատկապես ցանկանում էինք այս հետազոտության մեջ ներառել նեյրոնային ցանցի մոդելը, որպեսզի գնահատենք, թե որքան ճշգրիտ են ցուցիչները փոխանցում կառուցվածքային առանցքային տեղեկատվությունը»։
Ցանցի մուտքային տվյալներ են ծառայել գերսառեցված ջրի կառուցվածքային տվյալները, որոնք ստացվել են համակարգչային փորձարկումների՝ մոլեկուլային դինամիկայի մոդելավորման արդյունքում։ Որպեսզի ցանցը կարողանա տվյալների մեջ օրինաչափություններ հայտնաբերել, այն կիրառել է «փորձերի և սխալների» մեթոդը։
«Ցանցն օգտագործել է ստացված գիտելիքները՝ համեմատելու համար, թե ինչպես են 16 ցուցիչները տարբերակում ցածր և բարձր խտության կառուցվածքները տարբեր ջերմաստիճաններում», — պատմում է հետազոտության ավագ հեղինակ Նոբույուկի Մատուբայասին։ — «Այս եղանակով մենք որոշեցինք ամենաարդյունավետ ցուցիչները»։
Ստացված արդյունքները կօգնեն ավելի լավ հասկանալ ջրի կառուցվածքային տատանումների և թերմոդինամիկական վիճակների միջև փոխկապակցվածությունը, պարզել ջրի անոմալ հատկությունների ակունքները և մշակել կառուցվածքային ավելի կատարելագործված ցուցիչներ։
Source: https://news.am/hy/news/1051176