Su, dünyanın en basit maddelerinden biri olarak algılanırken, davranışlarını atomik veya moleküler düzeyde modellemek; bilim insanlarını yıllardır uğraştırıyor. Bugüne kadar hiçbir model, erime noktasından biraz daha yüksek bir sıcaklıkta en yoğun olduğu gerçeği dahil, suyun tekil özelliklerinin bolluğunu doğru şekilde temsil edememiştir.
ABD Enerji Bakanlığı’ndan (DOE) Argonne Ulusal Laboratuvarı’ndan yapılan yeni bir çalışma; suyun davranış şeklini matematiksel olarak gösterme çabasında bir atılım gerçekleşti. Bunu yapmak için, Argonne araştırmacıları, makinenin öğrenmesini kullanarak suyun moleküler ölçekte buzda nasıl değiştiği de dahil olmak üzere, suyun termodinamik özelliklerini daha iyi temsil eden, hesaplamalı bir su modeli geliştirdiler.
Araştırmada, Argonne Nano Ölçekli Malzemeler Merkezi’ndeki (CNM) araştırmacılar, yeni bir moleküler su modelini optimize etmek için bir makine öğrenme iş akışı kullandılar. Su özelliklerini oldukça yüksek moleküler ölçekli bir model oluşturmak için, modellerini kapsamlı deneysel verilere göre eğitmişlerdir.
Model parametrelerini su için optimize etmek uzun zamandır zor bir iş. Argonne Nanobilimci Subramanian Sankaranarayanan’a göre şu anda 50’den fazla farklı su modeli mevcut.
Sankaranarayanan: “Son derece zor olan geniş su özellikleri yelpazesini yakalamak için;, herhangi bir modelde karmaşık parametre alanında nasıl gezinileceğini anlamaya çalışıyoruz. Suyun erime noktasını, maksimum yoğunluğunu ve buz yoğunluğunu aynı anda hesaba katabilecek mevcut bir model yok.”
Suyun davranışını yakalamak için kuantum mekaniksel veya çatomik modeller yaratmaya çalışmak araştırmacıları çok yavaşlattı. Çünkü hesaplamalar çok yoğundu ve yine de suyun sıcaklığa bağlı birçok özelliğini üretemediler.
Araştırmacılar için, tüm su moleküllerini modeldeki temel birim olarak kullanma seçimi, simülasyonu düşük hesaplama maliyetiyle yapmalarını sağladı.
Louisville Üniversitesi Yardımcı Doçenti Badri Narayanan: “Geleneksel olarak bu basit modeller bir takım yaklaşımlar getirmekte ve çoğu zaman düşük doğrulukta sıkıntı çekse de, makine öğrenmesi basitliği korurken daha doğru bir model oluşturmamızı sağlıyor.”
Bununla birlikte, bu azaltılmış hesaplama gideriyle bile, bazı fiziksel özelliklerin; büyük ölçekli süper bilgisayarlar olmadan simüle edilmesi zor olabilir. Ekip; bir DOE Bilim Kullanıcı Kuruluşu olan Argonne Liderlik Hesaplama Tesisi’ndeki Mira süper bilgisayarını, polikristalin buzdaki arayüzlerin büyümesini ve oluşumunu incelemek için 8 milyona kadar su molekülünün simülasyonunu yapmak için kullandı.
CNM’in yardımcı bilim insanı Mathew Cherukara’ya göre, “kaba taneli” olarak adlandırılan bu yeni model, atom seviyesinde bir açıklama içeren modellerle aynı şekilde bir sonuç elde ediyor. Geleneksel olarak, bu yaklaşımları tanıtmanın tipik olarak çok daha kötü bir modelle sonuçlanacağını düşünüyor. Modellerden biri verimli ancak çok iyi performans göstermiyor. Çalışmanın iyi tarafı; bu moleküler model; atomistik modeller kadar doğru olma olasılığına sahip olamasa da, yine de sonuçlanıyor olması.
“Kaba taneli modelin” yüksek hassasiyetini elde etmek için araştırmacılar; modeli iyi bilinen sıcaklığa bağlı özellikleri içeren yaklaşık bir milyar atom ölçekli konfigürasyondan elde edilen bilgileri kullanarak eğittiler.
Chan: “Temel olarak, modelimize, ‘özelliklerin ne olduğunu’ söyledik ve bize bunları yeniden üretebilecek parametreleri vermesini istedik.”
Modelin eğitilmesi, Chan’ın “hiyerarşik bir yaklaşım” olarak adlandırdığı, her aday modelin daha karmaşık olanlara gitmeden önce; temel temel özelliklerden başlayarak, bir dizi test veya değerlendirmeden geçirildiği şeyleri içeriyordu.
Chan: “Bir çocuğa beceri öğretmeye çalışmak gibi düşünebilirsiniz. Temel bir şeyle başlıyorsunuz ve ilerlemeyi gördükten sonra yolunuza çıkıyorsunuz.”
Araştırmacılar ayrıca yaklaşımlarının mevcut diğer atomistik ve moleküler modellerin performansını geliştirmek için kullanılabileceğini gösterdi.
Sankaranarayanan: “Hiyerarşik yaklaşımımızı kullanarak, mevcut yüksek kaliteli su modellerinin performansını önemli ölçüde geliştirebildik. Prensip olarak, tüm moleküler modelleri tekrar gözden geçirmeliyiz ve her birinin en iyi performansını elde etmelerine yardımcı olmalıyız.”
