Onder leiding van scheikundige Xiao Cheng Zeng van de City University of Hong Kong bracht een AI-model met onbewaakt deep learning twee vloeibare toestanden van water op molecuulschaal in kaart. De vondst kan verklaren waarom water zich soms afwijkend gedraagt, met gevolgen voor hoe processen in natuur, biologie en medicijnen worden gemodelleerd.
Water lijkt een simpele vloeistof, maar het gedraagt zich al decennia eigenzinnig, met afwijkingen zoals de lagere dichtheid van ijs en een opvallend hoge warmtecapaciteit. In een studie die op 4 juni 2026 online verscheen in Nature Physics pakt het team van Xiao Cheng Zeng, verbonden aan de Department of Materials Science and Engineering en het Hong Kong Institute for Clean Energy/Department of Physics van de City University of Hong Kong, een bijna dertig jaar oude twee-statenhypothese opnieuw vast, dit keer door de dynamica van honderden duizenden watermoleculen te laten analyseren met onbewaakt deep learning. Als water inderdaad tussen een dichte en een lossere structuur schakelt, raakt dat aan hoe we eigenschappen als dichtheid, viscositeit en warmtecapaciteit begrijpen, en aan hoe betrouwbaar modellen zijn wanneer water in contact komt met zouten, proteïnes en geneesmiddelen.
Unieke eigenschappen van water in een nieuw licht
De twee-statenhypothese is al decennia aantrekkelijk omdat ze tientallen anomalieën van water probeert te vangen onder één mechanisme, namelijk twee vloeibare structuren die tegelijk aanwezig zijn en voortdurend in elkaar overgaan. Het hard maken van die gedachte liep steeds vast op tijd, doordat de omzetting zó snel en subtiel is dat klassieke meetmethoden haar doorgaans missen.
Het nieuwe werk claimt moleculair direct bewijs voor die tweedeling, door de omzetting zelf te reconstrueren uit moleculaire dynamica. Wie de overgangsroute kent, kan ook specifieker voorspellen onder welke omstandigheden water andere fysische eigenschappen laat zien.
Deep learning onthult moleculair gedrag van water
De analyse-aanpak laat water niet herkennen aan vooraf bedachte patronen, maar haalt zelf de relevante variabelen uit de data. Het team van fysisch chemicus Xiao Cheng Zeng, met Liwen Li, Jie Zhong, Jun Zhang en Zhiyuan Wang, gebruikte daarvoor onbewaakt deep learning op simulaties met honderden duizenden watermoleculen, waarbij de AI zonder labels of vaste sjablonen naar structurele veranderingen zocht. De onderzoekers stellen dat hun methode het proces in recordtijd kon karteren, waar traditionele analyses jaren zouden kosten.
Als het mogelijk wordt om de overgangsbewegingen routinematig te volgen, kun je systematisch variëren met omstandigheden zoals druk en temperatuur, en in dezelfde framework zien of de twee vloeistofachtige structuren stabiel blijven. De studie in Nature Physics, ontvangen op 4 augustus 2025 en geaccepteerd op 17 april 2026, gebruikt precies die strategie om de omzetting tussen dicht en los water te karakteriseren.
Radicale ontdekkingen over watermoleculen
Uit de analyse komt naar voren dat watermoleculen twee verschillende routes kunnen nemen om van de dichte naar de lossere structuur te schakelen en weer terug. Meestal verloopt die omschakeling via één energiedrempel, een relatief directe overgang met een kort pad door het energielandschap.
Dichter bij de grens waar beide toestanden naast elkaar kunnen bestaan, wordt het ingewikkelder. Dan vinden de onderzoekers een langer traject met drie energiedrempels achter elkaar, een keten van tussenstappen in plaats van één hobbel. Dit gebied wordt in het onderzoek vergeleken met de grens tussen ijs en vloeibaar water, een regime waar kleine veranderingen tot andere routes kunnen leiden.
De studie koppelt die meervoudige route ook aan onderkoeling (supercooling), waarbij water vloeibaar kan blijven onder het normale vriespunt terwijl eigenschappen verschuiven.
Toepassingen en wetenschappelijke vooruitzichten
De auteurs presenteren hun resultaat als onderbouwing van een hypothese die al ongeveer dertig jaar rondzingt, tot nu toe zonder direct moleculair bewijs. De praktische inzet zit in modellering, want wie weet welke microstructuur domineert en hoe snel de omzetting gaat, kan gerichter rekenen aan dichtheid, viscositeit en warmteopslag in omstandigheden waar water afwijkt van de norm. Zulke parameters bepalen bijvoorbeeld hoe snel warmte wordt afgevoerd in vloeistofstromen en hoe opgeloste stoffen zich verspreiden.
Voor biologie en farmacie wijzen de onderzoekers op interacties in oplossing met zouten, proteïnen en geneesmiddelen, waar water actief meestructureert in plaats van louter een achtergrondmedium te zijn. In Nederland is dat relevant voor sectoren die zwaar op waterige mengsels leunen, van de chemie in de havengebieden tot biomedische R&D-clusters rond universiteiten en medische centra. Betere watermodellen kunnen daar invloed hebben op simulaties die nu nog empirische correcties nodig hebben.
Het team werkt inmiddels aan een krachtiger machinelearningmodel om de gevonden dynamica te bevestigen. Daarna volgt experimentele verificatie, waarvoor volgens de studie extreem gevoelige metingen nodig zijn om zulke snelle, subtiele herstructureringen waar te nemen.
Implicaties voor wetenschap en technologie
Als de twee routes en energiedrempels standhouden, verandert dat ook hoe ingenieurs naar watertechnologie kijken. Ontzilting, koelsystemen en proceswater in de industrie zijn afhankelijk van voorspelbare stroming en warmteoverdracht, en precies daar spelen viscositeit en warmtecapaciteit een rol. Kleine modelverbeteringen kunnen dan doorwerken in ontwerpkeuzes, zeker bij extreme condities zoals hoge druk of lage temperatuur.
De studie noemt experimentele validatie van de moleculaire structuurwisseling als volgende stap, met als doel meetopstellingen te ontwikkelen die snel genoeg zijn om overgangen te vangen die nu nog aan de meetlat ontsnappen.
Blijf op de hoogte met de nieuwsbrief. Meld je hier aan.
( Je kunt ons ook steunen door lid te worden of te doneren )
