机器学习评估结构描述符在过冷水中的应用

《Communications Chemistry》：Machine learning evaluation of structural descriptors for supercooled water

　　

液体的异常行为普遍认为与过冷区高密度液体（HDL）与低密度液体（LDL）状态之间的液-液相转变（LLPT）相关。在微观层面，四面体氢键（H-bond）网络支配这些性质，这促使研究人员开发能够表征局部分子环境的结构描述符。这些结构描述符量化诸如四面体有序性、局部密度以及第一与第二配位壳层之间分离度等特征；然而，它们大多被独立提出，缺乏系统性比较。本研究中，研究人员利用基于神经网络的温度分类框架评估了16种先前提出的描述符，实现对其区分过冷水中温度依赖结构变化能力的客观评估。研究人员进一步应用可解释人工智能（XAI）方法识别模型预测所对应的结构特征。该方法揭示了不同描述符如何编码局部结构信息，并建立了液体水中结构描述符基准测试的数据驱动框架。

## 研究背景与意义

液态水表现出显著的异常性质，包括在约4°C时的密度最大值，这些异常源于与氢键网络相关的局部分子结构重排。当液态水进入过冷区域时，其异常性质变得尤为显著，特别是等温压缩率和比热随冷却急剧增加，呈现发散行为。这种现象通常被解释为液-液相变假说，即水存在两种液态：低密度液体（LDL）和高密度液体（HDL），该假说已成为解释过冷水广泛异常行为的重要框架。为定量检验这一框架，多种标量结构描述符被引入以表征单个水分子的局部环境，包括量化四面体有序性的q_tet、测量氢键网络有序程度的ζ、区分HDL-like和LDL-like环境的局部结构指数（LSI)、以及基于图论的节点总可沟通性（NTC)等。然而，由于这些描述符在定义上质的不同、在维度和数量级上量的差异，直接比较并非易事。本研究旨在利用机器学习方法，在统一框架内系统评估16种现有结构描述符区分HDL-like和LDL-like结构的性能，并借助可解释人工智能方法揭示模型预测的物理基础。

## 关键技术方法

本研究采用分子动力学（MD）模拟结合全连接神经网络（FCNN）进行温度分类，以ROC曲线下面积（ROC-AUC)作为评价指标定量评估各描述符性能；应用局部可解释模型无关解释（LIME)作为可解释人工智能方法分析神经网络预测的结构基础。MD模拟基于TIP4P/2005水模型，在等容（1 g/cm³）和等压（1 bar）条件下进行，温度范围为200–300 K。

## 研究结果

### 结构描述符的相关性分析
研究人员首先计算了16种结构描述符之间的Pearson积矩相关系数绝对值| r |。在等容条件下，描述符被分为四个主要群组：第一组包括q_tet、q_n、d₅、LSI和ζ，表征四面体有序性及第一与第二配位壳层分离度；第二组包括NTC、Q₄和配位数（C.N.\)，评估局部结构涨落；第三组包括Ψ、N_HB和NTC_HB，表征氢键网络的拓扑特征；第四组包括V₄和V_4?5，代表氢键相关的能量量。V_voro和Q₆在等容条件下与其余描述符几乎无相关性，但在等压条件下呈现弱相关性，表明密度涨落增强了局部结构的有序性。

### 结构描述符的机器学习评估
基于FCNN温度分类的AUC值，描述符被分为四组：(1) AUC ≥ 0.9：LSI、ζ、NTC_HB和N_HB；(2) 0.75 ≤ AUC < 0.9：q_tet、V_4?5、q_n、C.N.、V₄和Q₄；(3) 0.65 ≤ AUC < 0.75：Ψ、d₅、V_voro和V₅；(4) AUC < 0.65：NTC和Q₆。

LSI在所有温度组合下均实现近乎完美的判别，等容条件下AUC ≥ 0.991，等压条件下AUC ≥ 0.963。ζ的最小AUC值为0.842，同样保持高准确度。NTC_HB和N_HB的AUC值分别不低于0.791和0.739。小组成员(2)的分类性能在高温时下降，因其基于角度和距离定义，对热涨落更敏感。成员(3)的Ψ、d₅、V_voro和V₅整体表现较低，仅在温差足够大时可区分结构。d₅和V₅表征第五近邻分子的过配位，V_voro在等容条件下接近随机分类，但在等压条件下对200 K和220 K的分类准确度显著提升，因其对Widom线附近的HDL-like和LDL-like结构交叉敏感。NTC和Q₆表现最差，尤其等容条件下接近随机分类，但NTC在等压条件下200 K与更高温度比较时AUC达0.95以上，凸显了氢键连通性在准确描述结构特征中的关键作用。

等压系统整体表现出高于等容系统的AUC值，尤其在低温区域分类性能明显改善，表明密度变化与HDL-like和LDL-like结构交叉相关的局部结构有序化密切相关。即便对于未显式包含密度信息的描述符如q_tet和q_n，等压条件下分类性能也有所提升，说明局部四面体结构变化的敏感性同样重要。

利用逻辑回归作为线性分类模型的比较显示，LSI的AUC值基本不变，ζ略有下降，而NTC_HB和N_HB性能大幅下降，表明描述符对分类性能的影响依赖于机器学习模型，LSI和ζ表现出特别的稳健性。

### 基于LIME的机器学习的可解释性
LIME分析揭示了各描述符对温度分类的贡献机制。对于LSI和ζ，描述符值随LIME值负向增大而增加、正向增大而减小，表明LDL-like局部结构贡献于低温预测，HDL-like局部结构贡献于高温预测，与已知温度诱导结构变化趋势一致，尤其凸显了第一与第二配位壳层分离度的关键作用。NTC_HB呈现与LSI和ζ相似的趋势，但数据偏向负LIME值区域，表明其对低温预测赋予更大权重，对高温结构的判别能力相对有限。N_HB在整个LIME范围内接近并略低于4，仅随LIME值增加有轻微上升，表明模型强调高温时的过配位贡献，但整体变化幅度有限，可能因其为2至5的离散整数值所致。

## 讨论与结论

本研究系统评估了16种现有结构描述符在过冷水中的性能。LSI和ζ achieve the highest classification accuracies，表明这些描述符能有效描述过冷水中的温度依赖结构变化。NTC_HB和N_HB表现次之，量化氢键网络的连通性。它们与LSI和ζ的弱相关性揭示这些描述符获取了互补的结构特征，独立于第一与第二配位壳层分离度。总体而言，环境压力下过冷水的结构变化由配位壳的几何有序性和氢键网络的连通性共同支配。

比较等容与等压条件旨在检验从分布函数得出的物理洞见是否与机器学习获得的分类性能一致。在等压条件下观察到的整体分类性能提升表明，密度涨落提供了有助于判别的额外信息。值得注意的是，即使对未显式包含密度信息的四面体有序参数，等压条件下分类性能也有所改善，说明密度涨落的贡献与局部四面体结构变化的敏感性共同发挥作用。

本研究的机器学习模型使用对应各分子的描述符值作为输入，在隐藏层中非线性整合这些信息，基于整个快照进行分类，并未直接识别个别的HDL/LDL非均质结构或描述符分布的双峰性质。然而，LIME分析阐明了神经网络模型温度分类原理，能够量化每个输入（即每个分子）对给定快照分类结果的贡献。从这一视角，该机器学习框架可视为间接分析局部结构与全局分类结果之间关系的方法。

LIME结果显示，具有较大LSI和ζ值的分子优先贡献于低温（LDL-like）预测，而较小值贡献于高温（HDL-like）预测，揭示了这些描述符通过第一与第二配位壳层分离来描述过冷水结构变化，给出与相应分布函数温度依赖性一致的物理解释。具有较大NTC_HB值的分子贡献于低温预测，凸显了氢键网络发展作为驱动温度降低时结构变化的关键因素。尽管N_HB与LIME值的对应关系有限，分析仍强调了高温区域过配位贡献的增强。

研究人员建议开发整合现有描述符长度尺度和信息内容的新结构描述符，以实现HDL-like和LDL-like环境的直接识别；扩展至高阶结构表示如等变图神经网络，以及探索机器学习势能框架中的原子中心对称函数（ACSF)和平滑原子位置交叠（SOAP)等与物理启发式手工描述符的联系，是未来有前景的方向。