Una IA ayuda a comparar cómo se organiza el agua antes de congelarse

El agua parece un líquido cotidiano, pero se comporta de maneras que siguen intrigando a la física y a la química. A diferencia de casi todos los demás líquidos, se expande al congelarse, cambia de densidad de forma poco intuitiva y muestra anomalías que se vuelven más marcadas cuando se la enfría mucho sin que llegue a formar hielo. Un nuevo estudio propone una manera más ordenada de comparar esas transformaciones microscópicas con ayuda de inteligencia artificial.

El trabajo se concentró en el agua superenfriada, es decir, agua líquida llevada a temperaturas por debajo de su punto habitual de congelación. En esa zona extrema, muchos investigadores creen que el líquido puede oscilar entre entornos locales de mayor y menor densidad, vinculados con distintas maneras de acomodar sus puentes de hidrógeno. El problema es que existen muchas formas de medir ese orden molecular y hasta ahora no estaba claro cuáles eran más útiles para distinguir esos cambios.

El equipo de la Universidad de Osaka evaluó 16 descriptores estructurales propuestos en estudios anteriores. Esos descriptores son herramientas matemáticas que resumen cómo está rodeada cada molécula de agua: qué tan tetraédrico es su entorno, cuán cerca están sus vecinas o cómo se separan distintas capas de moléculas alrededor de ella. En vez de comparar esas medidas una por una de manera aislada, los investigadores usaron una red neuronal entrenada para clasificar configuraciones moleculares según su temperatura.

La idea fue simple en su objetivo, aunque compleja en la técnica: si un descriptor ayuda bien a diferenciar configuraciones tomadas a distintas temperaturas, entonces probablemente captura parte importante de la reorganización microscópica del agua. Además, el equipo aplicó una técnica de inteligencia artificial explicable para identificar qué rasgos dentro de cada descriptor pesaban más en las predicciones del modelo.

El resultado no resuelve por sí solo el misterio del agua, pero sí ofrece una forma más sistemática de comparar herramientas que antes se habían propuesto por separado. Según los autores, el enfoque permite ver mejor cómo distintos descriptores codifican información local sobre la estructura del líquido y cuáles son más sensibles a los cambios asociados con el enfriamiento profundo.

Eso importa porque entender la estructura del agua no es una curiosidad menor. Muchas de sus propiedades extrañas influyen en procesos biológicos, climáticos y materiales. También afectan la manera en que se modelan soluciones, membranas, proteínas y sistemas donde el agua participa como medio esencial. Si se afinan las herramientas para describirla, también se pueden mejorar las simulaciones que intentan explicar esos fenómenos.

Conviene, de todos modos, mantener el alcance en perspectiva. El estudio se hizo dentro de un marco computacional y se enfocó en agua superenfriada simulada, no en todos los escenarios posibles del agua real. Además, comparar descriptores no equivale a demostrar definitivamente cuál es el mecanismo único detrás de todas sus anomalías. Lo que ofrece es un criterio más sólido para ordenar el debate y para decidir qué indicadores estructurales conviene usar en trabajos futuros.

En otras palabras, la inteligencia artificial no “descubrió el secreto del agua”, pero sí ayudó a poner a prueba, con una regla común, varias maneras de mirar su organización molecular. Para un problema tan antiguo y esquivo, esa clase de orden metodológico ya es un avance valioso.