科学家在液态水中发现两种微观结构的分子级证据

来源：Hacker News / Phys.org 原文标题：Scientists find molecular-level evidence for two structures in liquid water 发表时间：2026年6月25日

背景

液态水看似简单，实则充满反常特性。长期以来，科学界一直存在一种理论，认为液态水并非单一均匀的介质，而是由两种可相互转换的局部结构组成的混合物：一种结构密度较高且无序，另一种密度较低且有序。这种“双态模型”（Two-state model）被用来解释水的许多独特性质，例如为什么水在冷却时更容易被压缩，以及为什么水的最大密度出现在4°C（39°F），而不是在冰点。

然而，尽管这一理论存在数十年，由于直接观测这两种微观结构的分子级证据一直难以获取，该模型始终备受争议。传统的实验方法难以深入研究深层过冷水区域，因为水会迅速结晶；而早期的计算机模拟虽然提供了一些间接证据，但未能清晰分离出这两种结构。

核心内容

发表在《Nature Physics》上的一项最新研究，通过先进的计算模拟和人工智能技术，为液态水的“双态模型”提供了新的分子级证据。这项研究由香港城市大学（City University of Hong Kong）的 Xiao Cheng Zeng 教授担任通讯作者。

液态-液态相变与临界点 双态模型的核心假设是液态-液态相变（Liquid-Liquid Phase Transition, LLPT）。该理论认为，在深层过冷状态下，水会分裂成两种宏观上截然不同的液相：高密度液相（High-density liquid）和低密度液相（Low-density liquid）。这两者之间的边界被认为终止于一个“第二临界点”（Second critical point）。由于该区域极难通过实验研究（水会迅速结晶），此前关于 LLPT 的证据主要来源于计算研究。2025年的一项《Nature Physics》研究曾利用深度神经网络定位了这一临界点，但仍未直接观察到“纯A”或“纯B”结构的水。

无监督学习的突破 为了解决传统方法无法清晰分离两种结构的问题，研究团队转向了无监督深度学习（Unsupervised deep learning）。Zeng 教授指出，人类很难直观猜测或手动构建如此复杂、非线性且近乎正交的物理参数，因此需要 AI 的帮助来学习和揭示这些隐藏的物理特征。

研究团队使用了广泛应用的 TIP4P/Ice 水模型，从大规模分子动力学模拟中提取了约 7400 万个局部水分子构型作为训练数据。其中约 17% 的数据来自液态-液态相变区域，其余来自该区域之外，以确保模型能从多样化的条件下学习。

自动编码器与隐藏特征 研究采用的架构是自动编码器（Autoencoder）。编码器以每个水分子的局部结构为输入，学习预测两个具有物理意义的量：局部密度和局部势能。随后，解码器利用这些输出来寻找隐藏的物理特征——即模型分配给每个分子的、超出密度和能量本身所能捕捉的数学值。

为了在不引入偏见的情况下引导这一搜索过程，研究人员设置了两个松散的数学约束：Alpha 控制隐藏特征与局部密度的线性相关性，Phi 控制该关系的几何角度。通过系统性地变化这些参数，研究人员实际上是在旋转他们观察数据的视角，寻找最能清晰揭示两种结构（如果存在的话）的配置。

两种结构的发现与相互转化 当模型找到最优配置时，出现了两个不同的聚类，分别对应两种局部结构：

• 结构 A：密度较高且更无序。
• 结构 B：密度较低且更有序。

模拟结果显示，这些模式在广泛的温度和压力下都存在，包括接近室温的条件。更重要的是，研究揭示了结构 A 和结构 B 相互转化的方式取决于系统处于相图的哪个位置：

1. 在高密度液相中，相互转化通过一个单一路径的“上半环”（upper semi-loop）路径进行，经过一个过渡态。
2. 在低密度液相中，它遵循不同的“下半环”（lower semi-loop）路径，经过另一个过渡态。
3. 在液态-液态相边界附近，当两相竞争最激烈时，这两条路径结合成一个复杂的三维“全环”（full-loop）反应路径，涉及三个过渡态。随着系统远离边界，其中一相开始占主导地位，这个全环会退化回更简单的单一路径半环。

Zeng 教授强调：“结构 A 和结构 B 之间的转化不是一个简单的‘来回’过程。两种结构在不同水状态下的相互转化路径是不同的。这种微观动态过程使用传统的理论方法极难识别。”

关键要点

• 分子级证据：研究通过无监督深度学习，在分子层面直接发现了液态水中两种 distinct 的局部结构（高密度无序结构 A 和低密度有序结构 B），为长期争议的双态模型提供了有力支持。
• AI 驱动的方法：传统测量局部密度和能量差异的方法无法干净地分离这两种结构。研究利用自动编码器从约 7400 万个 TIP4P/Ice 模型模拟数据中，自动挖掘出隐藏的、非线性的物理特征。
• 复杂的转化路径：结构 A 和 B 的相互转化并非简单的双向过程，而是依赖于相图位置。在相边界附近，转化路径表现为涉及三个过渡态的复杂三维“全环”；而在远离边界时，则退化为简单的“半环”路径。
• 广泛适用性：这两种结构的模式在广泛的温度和压力下被观察到，包括接近室温的条件，表明其普遍性。
• 未来方向：下一步的关键步骤是解码 AI 揭示的两个隐藏物理特征的物理可解释性，并寻求实验验证。

意义与影响

这项发现不仅为水的反常性质提供了微观层面的解释，还可能对多个领域产生更广泛的影响：

1. 基础物理学：证实了液态水在分子尺度上的非均匀性，解决了长期存在的关于水是否存在液态-液态相变的争议。
2. 生物学：有助于理解水在生物细胞和膜中的行为，因为水的微观结构可能直接影响生物分子的稳定性和功能。
3. 地质学：为理解受限环境（如岩石孔隙或地幔深处）中的地质过程提供了新的视角，因为这些环境中的水行为可能与常压下的水不同。

正如 Zeng 教授所言，虽然证据强烈支持双态模型，但解读 AI 发现的隐藏特征的物理意义并进行实验验证，仍是未来研究的关键步骤。这项研究展示了 AI 在揭示复杂物理现象中隐藏规律方面的巨大潜力，特别是在人类直觉难以触及的高维非线性空间中。