光学前沿动态
OPTICS FRONTIERS
11
2026
-
06
香港城市大学曾晓成团队：AI研究消解了水的“单双组份”之争 | Nature Physics
作者：
水是生命的摇篮，并且是宇宙中最“反常”的物质之一：4 ℃密度最大、加压粘度降低……这些反常现象让科学家们头疼了上百年。为了解释这些异常，唯象“双组份水模型”应运而生，认为水是由两种不同局部结构（类高密度组份-A与类低密度组份-B）混合而成的。然而，在常压下，水到底是不是“双组份”？反对者认为这纯属人为唯象划分，科学界为此争论不休。
如何摆脱“人为经验”的路径依赖，找到客观的评判标准？针对这一关键难题，香港城市大学曾晓成教授、中国石油大学（华东）钟杰教授团队，提出了一种“无监督深度学习”的全新研究框架。该系统不依赖任何人为预设的截断值，完全让AI自己去海量数据中寻找规律。结果令人震撼：AI不仅证实了常压水同样存在两种隐藏“暗”组份，还顺藤摸瓜找出了A/B水分子变身的“环状”反应路径。相关成果发表在物理学顶级期刊Nature Physics上。
第一作者：Liwen Li（李力文）通讯作者：Xiao Cheng Zeng（曾晓成），Jie Zhong（钟杰）通讯单位：香港城市大学、中国石油大学（华东）
图1. 水模型的相图
从“人为经验干预”到无监督学习：AI如何揭开水分子之谜
整个研究的核心，在于摒弃人为的主观干预。传统研究试图用局部密度等单一物理指标去强行分类“单分布”的水分子，结果往往难以服众。而在这里，研究人员开发了自编码器基的深度学习算法（图2a）。模型通过学习超过7400万个水系统的局部结构，自动寻找潜在的物理特征（PCi）。
AI告诉我们一个反直觉的事实：传统局部密度不是区分水中A、B两种隐藏“暗”组份的主要特征（图2b始终是单峰）。真正让这两种“暗组份”显形的，是AI挖掘出的潜在特征物理量PCI和PCII。当把视角切换到这些AI发现的三个维度时，无论是在深过冷的极端环境下，还是在我们日常喝的常压水中，清晰的“双峰”特征都跃然纸上（图4d）。
图2. 无监督AI通过寻找潜在特征物理量，在不引入人为干预的情况下证明双峰特征（双组份）的存在。
发现“环状”反应路径：A/B水分子如何“智能”切换状态
确认了隐藏双组份的存在，AI进一步向我们展示了A/B水分子是如何“变身”的。通过将局部密度与PCI、PCII结合，研究团队绘制出了3D概率密度图（图3c）。令人惊叹的是，A组份和B组份水的转化并不是简单的“一来一回”，而是形成了一个包含三个鞍点（SP-1、2、3）的“环状”立交桥。当水处于高密度液体（HDL）时，分子喜欢走“上半环”（高密度反应路径，HDP）快速切换；处于低密度液体（LDL）时，分子则偏好走“下半环”（低密度反应路径，LDP）。这种精妙的微观动态过程，是传统物理化学理论方法极难观测到的。
图3. 过冷水液-液共存线附近的“环状”反应路径，以及A/B两种组份水在不同密度下的微观构型演变。
物理性验证：AI的发现符合宏观规律
AI找出的规律靠谱吗？研究团队用严苛的物理定律进行了交叉验证。如果水真的是由A、B两组“暗”份组成，那么系统的总体积必然和A组份水的占比（xA）呈严格的线性关系。测试结果显示（图4），基于AI算法得出的xA与系统体积展现出了完美的线性相关，并且两者的概率分布模式高度一致。而以往那些靠人类经验定义出来的描述符，全都无法正确展现这一重要性质。此外，AI推导出的过冷水液-液共存线与经典热力学方程预测的结果完美契合。
图4. 从宏观物理方程的角度，验证了AI提取的两种“暗”组份水特征的准确性与可靠性。
结论与展望
这项研究不仅为长达多年的水科学“单双组份”之争画上了句号，更重要的是，它展示了一种全新的科研范式：由无监督AI驱动，去发现人类直觉无法触及的物理规律。在这一体系中，微观结构的探索不再依赖学者的灵光一闪或经验试错。未来，这种模式有望推广至更多复杂流体和相变材料的研究中。科学研究正在从“人脑推演”走向“AI挖掘”，一个全新的“数据洞察时代”已经到来。
来源：今日新材料
最新动态
感谢您访问崇帆科技官方网站，如有合作意向或建议，请通过以下方式联系我们，我们会尽快给予回复，谢谢！
移动版
官方公众号