TL;DR:
- Un equipo de la Universidad de Osaka construyó un marco con redes neuronales para evaluar 16 formas de describir la estructura del agua supercongelada.
- El Índice de Estructura Local (LSI) y el descriptor ζ resultaron los más precisos, con un acierto casi perfecto en las simulaciones.
- No es un nuevo descubrimiento de que el agua sean "dos líquidos": es una herramienta para comparar esos indicadores y entender mejor por qué el agua es tan atípica.
Un equipo de la Universidad de Osaka recurrió a la inteligencia artificial para atacar uno de los enigmas más viejos de la química: por qué el agua se comporta distinto a casi cualquier otro líquido. En un estudio publicado el 6 de julio de 2026 en la revista Communications Chemistry, los investigadores entrenaron una red neuronal para evaluar y comparar 16 formas distintas de describir la estructura molecular del agua en su estado supercongelado. La meta era concreta: identificar cuáles de esos indicadores captan mejor el cambio entre las dos formas líquidas que, según la hipótesis más aceptada, explican el comportamiento atípico del agua. El modelo señaló dos ganadores claros y dejó, de paso, una forma de ordenar un campo lleno de métodos que nadie había puesto a competir bajo las mismas reglas.
Piensa en un vaso con hielo. El cubo flota, y lo damos por hecho. Pero ese detalle cotidiano rompe una regla que casi todos los líquidos obedecen: al enfriarse, la materia suele encogerse y volverse más densa. El agua hace lo contrario y se expande al congelarse, por eso el hielo, menos denso que el agua líquida, se queda arriba. A esa rareza se suma otra: el agua llega a su densidad máxima cerca de los 4 °C, no en su punto de congelación. Los científicos llevan décadas apuntando al mismo culpable, la manera en que las moléculas se reorganizan a través de su red de enlaces de hidrógeno cuando cambia la temperatura.
Dos líquidos escondidos en uno
La explicación que más peso ha ganado es tan extraña como el fenómeno que describe. Según la hipótesis de la transición líquido-líquido, el agua muy fría no es un único líquido, sino una mezcla que alterna entre dos estructuras que compiten: un líquido de alta densidad (HDL), más compacto y desordenado, y un líquido de baja densidad (LDL), más abierto y ordenado. Ambas nacen de una red de enlaces de hidrógeno que se forma y se rompe sin descanso. Cuando la temperatura sube, las estructuras HDL, más apretadas, van ganando terreno frente a las arregladas LDL.
Este juego se vuelve más notorio en el agua supercongelada, es decir, agua que sigue líquida por debajo de su punto de congelación normal. Para que se forme hielo, las moléculas necesitan un punto de partida, un sitio de nucleación: una impureza o incluso un rasguño en el recipiente. Sin esos anclajes, el agua puede enfriarse por debajo de 0 °C sin convertirse en hielo, y ahí sus anomalías se exhiben con más fuerza.
El problema: 16 reglas distintas para medir lo mismo
Para estudiar ese vaivén entre HDL y LDL, físicos y químicos han inventado a lo largo de los años muchos "descriptores estructurales", reglas matemáticas que asignan a cada molécula un número según cómo están acomodadas sus vecinas. Unos miden el orden tetraédrico de los enlaces, otros la densidad local, otros la conectividad de la red. El problema es que cada uno se creó por separado, con escalas, dimensiones y criterios propios, así que compararlos de frente y decidir cuál describe mejor el agua era casi imposible.
Ahí entró la inteligencia artificial. El equipo de la Universidad de Osaka echó mano de la IA, aunque no de la que suele copar titulares. En lugar de un chatbot o un generador de imágenes, aquí el motor fue una red neuronal entrenada con datos de simulaciones de dinámica molecular del agua.
"Estudios previos han demostrado que usar aprendizaje automático para clasificar y entender datos estructurales es eficaz. Quisimos incorporar específicamente un modelo de red neuronal en este estudio para evaluar qué tan precisos eran los descriptores al capturar información estructural clave, de una manera parecida a la cognición humana", explica Kang Kim, autor correspondiente del trabajo.
Cómo la IA eligió a los ganadores
El truco fue plantear una tarea con trampa útil: pedirle al modelo que adivinara la temperatura de una muestra de agua simulada a partir de su estructura molecular. Como el reparto entre HDL y LDL cambia con la temperatura, un descriptor que capture bien esa diferencia permitirá acertar; uno que la capture mal, fallará. Los investigadores corrieron el experimento sobre simulaciones del modelo de agua TIP4P/2005, con temperaturas de 200 a 300 kelvin (de unos 73 grados bajo cero a 27 °C), un tramo que va del agua supercongelada al agua líquida normal.
"La red usó lo que había aprendido para comparar cómo 16 descriptores diferenciaban entre las estructuras LDL y HDL a distintas temperaturas. De este modo, determinamos los descriptores más eficientes", reporta Nobuyuki Matubayasi, autor principal.
El veredicto fue claro. Dos descriptores se impusieron: el Índice de Estructura Local (LSI) y un indicador llamado ζ (zeta), que miden con distinta lógica qué tan separadas están la primera y la segunda capa de moléculas vecinas. El LSI rozó la perfección: superó valores de 0.99 en una escala donde 1 es un acierto total y 0.5 equivale a adivinar al azar. Un segundo grupo de indicadores, basados en la conectividad de la red de enlaces de hidrógeno, aportó información complementaria que los dos ganadores no cubrían por sí solos. La conclusión del estudio: los cambios de estructura del agua fría dependen tanto del orden geométrico de las capas vecinas como de cómo se conecta esa red de enlaces.
Una IA que no funciona como caja negra
El otro aporte del trabajo apunta a una crítica frecuente contra la IA: que acierta sin que nadie sepa por qué. Para evitarlo, los autores sumaron una técnica de inteligencia artificial explicable que abre la caja y muestra en qué se fija el modelo al decidir. El resultado tranquiliza: la lógica que aprendió la red coincide con la física conocida. Las moléculas con estructura tipo LDL empujaban las predicciones hacia temperaturas bajas, y las de tipo HDL, hacia las altas, tal como marca la teoría.
Preguntas rápidas sobre el agua y la IA
¿Por qué el agua se expande al congelarse?
Al congelarse, las moléculas de agua se enlazan en una estructura cristalina abierta y ordenada, sostenida por enlaces de hidrógeno. Esa red ocupa más espacio que el agua líquida, así que el hielo es menos denso y flota. Es una de las anomalías que este tipo de investigación busca explicar.
¿Qué es el agua supercongelada?
Es agua que permanece líquida por debajo de su punto de congelación normal, cerca de 0 °C. Ocurre cuando faltan sitios de nucleación, como impurezas o rasguños en el recipiente, donde podrían empezar a formarse cristales de hielo. En ese estado, las rarezas del agua se vuelven más marcadas.
¿La inteligencia artificial descubrió que el agua son dos líquidos?
No. La idea de dos formas líquidas, una de alta densidad y otra de baja densidad, es una hipótesis previa. El equipo de la Universidad de Osaka usó IA para evaluar qué indicadores captan mejor esa diferencia estructural, no para demostrar la hipótesis. Y lo hizo con agua simulada.
Entender por qué el agua es tan rara no es un capricho académico: esa misma anomalía hace que los lagos se congelen desde la superficie y no desde el fondo, lo que permite que la vida acuática sobreviva al invierno. El trabajo de Osaka no cierra ese enigma, pero ordena las herramientas para atacarlo. Con un método que compara los indicadores bajo las mismas reglas y explica por qué acierta, el siguiente paso queda más despejado: construir descriptores capaces de identificar directamente las dos caras del agua.
