Des équipes de recherche s’appuient sur l’intelligence artificielle pour identifier une organisation moléculaire de l’eau qui pourrait expliquer plusieurs de ses comportements jugés atypiques. L’enjeu porte sur des phénomènes mesurables, comme la dilatation lors de la congélation et des variations de densité selon la température. Ces résultats visent à relier des observations connues à une description plus précise des arrangements entre molécules.
L’eau recouvre la majeure partie de la surface terrestre, mais sa physique continue de poser des questions. Les outils d’IA changent l’échelle d’analyse, en passant de modèles idéalisés à des descriptions statistiques tirées de volumes de données et de simulations.
Pourquoi l’eau se dilate en gelant, un cas rare parmi les liquides
Le comportement le plus cité reste la dilatation au moment de la congélation. Dans la plupart des liquides, la baisse de température rapproche les molécules et augmente la densité. Pour l’eau, la transition vers la glace conduit à une structure plus ouverte, ce qui fait diminuer la densité et explique pourquoi la glace flotte. Ce point n’est pas nouveau dans les manuels, mais les détails microscopiques, c’est-à-dire la manière exacte dont les molécules s’organisent juste avant et pendant la cristallisation, restent un sujet de recherche actif.
Cette singularité est liée aux liaisons hydrogène, des interactions directionnelles qui contraignent l’orientation des molécules. Quand l’eau gèle, ces liaisons favorisent un réseau ordonné, avec des distances intermoléculaires plus grandes que dans l’état liquide. Le résultat se mesure à l’échelle macroscopique, avec une densité de la glace autour de 0,917 g/cm à 0 C, contre environ 0,9998 g/cm pour l’eau liquide près de 0 C, selon les références métrologiques courantes.
Cette différence de densité a des conséquences concrètes. Dans les lacs, la glace formée en surface isole l’eau plus profonde, ce qui limite le refroidissement et permet la survie d’écosystèmes en hiver. Dans les infrastructures, la dilatation lors du gel explique une part des ruptures de canalisations et de la dégradation des matériaux poreux. Le fait physique est bien établi, mais la question scientifique persiste, quelles micro-structures transitoires du liquide conduisent à ce basculement vers un réseau cristallin plus ouvert.
Les chercheurs s’intéressent aussi à une autre anomalie, la densité maximale de l’eau liquide autour de 4 C. Entre 0 et 4 C, l’eau se contracte en se réchauffant, puis, au-dessus de 4 C, elle se dilate comme la plupart des liquides. Comprendre ce point demande de décrire un équilibre subtil entre des arrangements plus compacts et des arrangements plus ouverts, gouvernés par le réseau de liaisons hydrogène.
Ce que l’IA apporte aux modèles moléculaires de l’eau
Les approches classiques combinent expériences, théorie et simulations. Les expériences, par diffusion de neutrons ou de rayons X, donnent des informations sur les distances et corrélations entre molécules, mais l’interprétation reste indirecte. Les simulations de dynamique moléculaire, elles, génèrent des trajectoires de millions d’atomes, mais leur fidélité dépend des modèles d’interaction. L’IA s’insère dans cet espace, en apprenant des relations complexes entre configurations moléculaires et propriétés observables.
Concrètement, des méthodes d’apprentissage automatique peuvent servir à deux niveaux. D’abord, elles peuvent accélérer des calculs coûteux, en remplaçant certains calculs quantiques par des approximations apprises, tout en conservant une précision utile. Ensuite, elles peuvent analyser de grands ensembles de configurations pour identifier des motifs récurrents, par exemple des clusters d’arrangements locaux, que l’il humain ne repère pas facilement. Dans le cas de l’eau liquide, l’objectif est de caractériser des états locaux, plus « tétraédriques » ou plus compacts, et de quantifier leur proportion selon la température et la pression.
Le cur de l’apport de l’IA tient à la reconnaissance de structures dans des données très bruitées. L’eau liquide est dynamique, le réseau de liaisons hydrogène se forme et se défait en permanence. Les durées de vie des liaisons sont courtes, de l’ordre de la picoseconde, ce qui complique la notion même de « structure ». Les algorithmes peuvent traiter cette variabilité en termes probabilistes, en décrivant des distributions d’environnements moléculaires plutôt qu’un schéma unique.
Les chercheurs visent aussi une meilleure cohérence entre échelles. Une structure locale identifiée par l’IA doit se traduire par des propriétés mesurables, densité, compressibilité, capacité thermique, viscosité. Le défi est d’éviter le sur-ajustement, un modèle peut très bien reproduire une propriété tout en se trompant sur la physique sous-jacente. Les protocoles de validation s’appuient donc sur plusieurs observables, et sur des tests hors échantillon, par exemple en changeant la température ou la pression pour vérifier que les prédictions restent stables.
Une « structure cachée » évoquée, entre ordre local et fluctuations
L’expression de « structure cachée » renvoie souvent à l’idée que l’eau liquide ne serait pas homogène à l’échelle nanoscopique. Plusieurs travaux, depuis des décennies, discutent la possibilité d’une coexistence fluctuante entre deux types d’environnements, l’un plus ordonné et moins dense, l’autre plus désordonné et plus dense. Dans cette lecture, les anomalies de l’eau découleraient d’un équilibre changeant entre ces environnements, équilibre modulé par la température et la pression.
Les approches par IA peuvent renforcer cette piste en fournissant des critères de classification plus robustes. Plutôt que de choisir à la main un indicateur unique, comme un angle ou une distance, les modèles apprennent des descripteurs multidimensionnels, puis regroupent les configurations en familles. Si ces familles corrèlent fortement avec des variations de densité ou de compressibilité, cela suggère que la description capte quelque chose de physiquement pertinent, pas seulement un artefact statistique.
Cette question rejoint un débat plus large en physique de l’eau, celui d’un éventuel point critique liquide-liquide à très basse température, hypothèse discutée dans la littérature. L’intérêt médiatique vient souvent du contraste, une substance banale, omniprésente, qui garderait des zones d’ombre fondamentales. Sur le plan scientifique, la prudence reste de mise, car les conditions expérimentales à très basse température sont difficiles, l’eau sur-refroidie tend à cristalliser, et les mesures sont délicates à stabiliser.
Dans ce contexte, parler de « secret » peut donner une impression de découverte unique, alors qu’il s’agit plutôt d’un progrès méthodologique. L’IA ne remplace pas les expériences, elle propose une nouvelle manière de relier les données, d’explorer l’espace des configurations, et de tester des hypothèses concurrentes. Les équipes cherchent une description qui fasse consensus, capable d’expliquer plusieurs anomalies à la fois, sans multiplier les paramètres ad hoc.
Des impacts concrets, du climat aux matériaux, si les modèles deviennent plus fiables
Une meilleure description microscopique de l’eau n’est pas seulement un enjeu théorique. Les modèles climatiques, par exemple, dépendent de la manière dont l’eau change d’état, transporte la chaleur et interagit avec les aérosols. Les propriétés thermodynamiques de l’eau influencent l’évaporation, la formation des nuages, la glace de mer et le cycle hydrologique. Même si les modèles atmosphériques n’utilisent pas directement une dynamique moléculaire, les paramétrisations reposent sur des données de référence et sur des lois d’état dont la précision compte.
Dans l’ingénierie, l’eau intervient dans des contextes où ses anomalies jouent un rôle. Le gel-dégel fragilise les chaussées et le béton, la présence d’eau dans des pores modifie les contraintes mécaniques, et la gestion des réseaux d’eau potable dépend de prévisions fines de température. En chimie et en biologie, la structure de l’eau autour des ions, des protéines et des membranes conditionne des réactions, des solubilités et des mécanismes de repliement. Une IA capable de prédire plus justement ces environnements pourrait améliorer la conception de matériaux hydrophiles, de membranes de filtration ou de procédés de dessalement.
Les industriels suivent aussi les progrès sur les potentiels d’interaction « appris » par IA, car ils promettent des simulations plus rapides et plus précises de solutions aqueuses, électrolytes de batteries, ou mélanges complexes. Le passage à l’échelle reste un point de friction, un modèle performant sur l’eau pure peut perdre en fiabilité dès qu’on ajoute des solutés, des interfaces ou des champs électriques. Les équipes multiplient donc les jeux de données d’entraînement et les validations croisées.
Pour le public, l’intérêt tient à une idée simple, comprendre pourquoi l’eau, si commune, se comporte de manière si particulière. Si les approches par intelligence artificielle stabilisent des descriptions compatibles avec un large ensemble de mesures, elles pourraient devenir un standard pour explorer d’autres liquides « anormaux » et pour améliorer les bases de données thermophysiques utilisées dans de nombreux secteurs, de la météorologie à la santé.
Crédit image : Mplanine / Wikimedia Commons (CC BY-SA 4.0)
