Cómo el aprendizaje automático y la microscopía han resuelto un misterio del hielo de hace casi dos siglos

Durante 170 años, una pregunta aparentemente simple sobre la prefusión del hielo ha desconcertado a los científicos. Ahora, la combinación de aprendizaje automático y microscopía avanzada ha logrado desvelar un misterio que parecía estar congelado en el tiempo.

Por Enrique Coperías

Imagen conceptual de una científica analizando una muestra de hielo en un laboratorio criogénico. Un estudio reciente ha demostrado, gracias al aprendizaje automático, que antes de fundirse el hielo desarrolla una capa amorfa sólida que reescribe el modelo clásico de la prefusión del hielo. Crédito: IA-Gemini-©RexMolon Producciones

Desde que el científico británico Michael Faraday intuyera hace más de 170 años que la superficie del hielo no era del todo sólida, la ciencia ha intentado comprender qué ocurre exactamente en ese límite delicado entre el hielo y el aire. ¿Se derrite antes de tiempo? ¿Se vuelve líquido poco a poco? ¿O sucede algo más complejo?

Un nuevo trabajo acaba de aportar la respuesta más completa hasta la fecha, y, de paso, ha añadido una pieza inesperada al rompecabezas: una fase intermedia, hasta ahora invisible, que obliga a reescribir el diagrama clásico del hielo.

El estudio, publicado en la revista Physical Review X, combina dos herramientas que rara vez se habían integrado de forma tan profunda:

✅ La microscopía de fuerza atómica (AFM), capaz de ver moléculas individuales en superficies.

✅ Técnicas avanzadas de aprendizaje automático, una rama de la inteligencia artificial (IA) que permite a las máquinas aprender de los datos y mejorar con la experiencia, sin estar programadas explícitamente para cada tarea.

Juntas han permitido desvelar la estructura tridimensional de la superficie del hielo a temperaturas extremadamente bajas, algo que durante décadas parecía fuera del alcance experimental. El resultado es el descubrimiento de una capa de hielo amorfo que aparece antes de la conocida capa cuasilíquida y que explica muchas de las contradicciones acumuladas en la literatura científica.

Un misterio antiguo y persistente

El fenómeno de la prefusion o prederretimiento del hielo —la formación de una capa con comportamiento líquido en la superficie de un sólido por debajo de su punto de fusión— no es una rareza marginal. Afecta al rozamiento sobre la nieve, a la química de la atmósfera polar, a la criopreservación de tejidos biológicos y a la reactividad de las nubes de hielo donde se desencadenan reacciones clave para la destrucción del ozono.

En el caso del hielo, la prefusión se ha estudiado con intensidad desde mediados del siglo XIX, pero siempre con una limitación crucial: la dificultad de observar directamente la estructura atómica de superficies desordenadas.

Las técnicas tradicionales, como la difracción de electrones o la espectroscopía, ofrecen promedios globales, útiles pero incapaces de captar la enorme heterogeneidad superficial de una superficie real. La microscopía de fuerza atómica, especialmente en su versión de no contacto con puntas funcionalizadas con monóxido de carbono, ha revolucionado este campo al permitir imágenes con resolución submolecular.

Sin embargo, incluso esta técnica tropieza con un obstáculo fundamental: solo detecta con claridad la capa más externa del hielo y pierde información sobre lo que ocurre unos pocos angstroms por debajo.

Cuando la inteligencia artificial aprende a ver hielo

Ahí es donde entra en juego el aprendizaje automático aplicado a la física. El equipo internacional liderado desde la Universidad de Pekín, en China, ha desarrollado un marco computacional que traduce las imágenes bidimensionales de la AFM en estructuras tridimensionales completas. El sistema se entrena exclusivamente con simulaciones físicas realistas: modelos de hielo generados mediante dinámica molecular y sus correspondientes imágenes de microscopía de fuerza atómica simuladas.

A partir de ahí, una red neuronal aprende a identificar la posición de los átomos visibles y, lo más innovador, a inferir la estructura subsuperficial bajo la superficie.

Para salvar la distancia entre la simulación ideal y el experimento real, los investigadores emplearon redes generativas adversarias (CycleGAN) que añaden ruido experimental a las imágenes simuladas, de modo que la inteligencia artificial aprende a lidiar con imperfecciones reales. El resultado es un modelo capaz de analizar imágenes experimentales reales y reconstruir, con una precisión sin precedentes, la arquitectura atómica del hielo superficial.

La sorpresa: una capa amorfa sólida

Al aplicar este método al hielo hexagonal, el tipo más común en la naturaleza, los investigadores observaron algo inesperado. Entre los -153,15 ºC y los -93,15 ºC, muy por debajo del punto de fusión, la superficie no se comporta como un cristal ordenado ni como una película líquida. En su lugar aparece una capa de hielo amorfo, formada por moléculas de agua desordenadas en dos dimensiones, con una red de enlaces de hidrógeno irregular pero con una dinámica sólida.

Esta fase, bautizada como capa de hielo amorfo (AIL), no muestra difusión molecular apreciable: las moléculas vibran, se reordenan ligeramente, pero no fluyen como en un líquido. Es un estado estable en un amplio rango de temperaturas y explica por qué muchos experimentos previos ofrecían señales contradictorias: algunos indicios de desorden superficial coexistían con una aparente rigidez mecánica.

Solo cuando la temperatura se acerca a los -93,15 ºC se activa la movilidad lateral de las moléculas y la capa de hielo amorfo se transforma en la conocida capa cuasilíquida (QLL), donde la superficie empieza a comportarse realmente como un líquido ultrafino. El proceso no es brusco, sino gradual, y está fuertemente influido por defectos estructurales y por la historia térmica de la superficie.

Un nuevo diagrama de fases para el hielo

El hallazgo obliga a revisar el diagrama de fases del prederretimiento del hielo. En lugar de una transición directa entre un cristal ordenado y una capa cuasilíquida, ahora se propone una secuencia de tres estados:

1️⃣ Una superestructura ordenada a temperaturas muy bajas;.

2️⃣ La capa amorfa sólida

3️⃣ La capa cuasilíquida propiamente dicha.

Este matiz no es menor. La capa amorfa presenta una gran heterogeneidad estructural: regiones más densas conviven con zonas más abiertas, con defectos topológicos que modifican la energía de adsorción de moléculas externas. En términos químicos, esto significa que la superficie del hielo puede ser mucho más reactiva de lo que se pensaba, incluso antes de que aparezca cualquier comportamiento líquido.

Gracias a una combinación pionera de aprendizaje automático y microscopía de fuerza atómica, investigadores en China han logrado visualizar la estructura molecular de la superficie del hielo en prederretimiento, resolviendo asíun misterio histórico sobre la capa con comportamiento líquido que se forma antes de la fusión. Cortesía: Physical Review X (2025). DOI: 10.1103/9fzf-y9n9

Implicaciones que van más allá del hielo

Las consecuencias del descubrimiento se extienden a campos tan diversos como la química atmosférica, la ciencia planetaria y la física de superficies. En las nubes estratosféricas polares, por ejemplo, las reacciones sobre partículas de hielo desempeñan un papel clave en la destrucción de la capa de ozono.

Una superficie amorfa, rica en defectos, podría facilitar la adsorción y disociación de gases como el ácido clorhídrico o el peróxido de hidrógeno, alterando los modelos actuales.

Desde un punto de vista metodológico, el avance es igualmente profundo. El trabajo demuestra que la inteligencia artificial en ciencia de materiales no solo sirve para analizar grandes bases de datos, sino también para cerrar la brecha entre experimento y simulación en sistemas complejos. Al usar imágenes reales como punto de partida para simulaciones de dinámica molecular, los investigadores pueden explorar regímenes de temperatura y tiempo que serían inaccesibles de otro modo.

Un cambio de paradigma en superficies desordenadas

Aunque el estudio se centra en el hielo, los autores subrayan que el enfoque es generalizable. Superficies catalíticas, interfaces biológicas, procesos de cristalización y disolución: todos ellos comparten el desafío de describir estructuras desordenadas en tres dimensiones.

La combinación de microscopía avanzada y aprendizaje automático abre la puerta a una nueva forma de explorar estos sistemas, con una resolución y un realismo hasta ahora impensables.

Más de siglo y medio después de la intuición de Faraday, el hielo sigue revelando secretos. Esta vez, gracias a algoritmos de inteligencia artificial que aprenden a interpretar imágenes casi invisibles, la ciencia ha logrado asomarse a una fase oculta, silenciosa y sólida, que se interpone entre el orden cristalino y el fluir del agua. Un recordatorio de que incluso en algo tan cotidiano como el hielo, la naturaleza guarda todavía capas por descubrir.▪️

TAMBIÉN TE PUEDE INTERESAR:

🧊 ¿Cómo es el hielo del espacio? Astrónomos descubren que se parece menos al agua de lo que creíamos

🧊 El hielo sorprende a la ciencia: genera electricidad cuando se deforma

🧊 El hielo que no debería existir: científicos descubren una nueva forma de agua sólida, el hielo XXI

• Fuente: Binze Tang et al. Unveiling the Amorphous Ice Layer during Premelting Using AFM Integrating Machine Learning. Physical Review X (2025). DOI: https://doi.org/10.1103/9fzf-y9n9