水分子在液态水中的重定向和扩散在许多过程中都是必不可少的。我们使用基于密度泛函理论的分子动力学方法对液态体相水进行了模拟。我们发现液态水中一种具有明显特征的氢键构型改变过程:氢键的供体-受体交换（DA交换）。为了找到DA交换在氢键构型改变过程中的占比,我们设计了一种基于循环神经网络的分类模型,对氢键构型改变过程进行分类。通过该模型,我们发现液态体相水在不同温度下的DA交换和扩散过程的相对比例约为1:4。尽管DA交换和扩散过程的数量会随着温度的变化而改变,但是其相对比例基本上不变。该特征表明DA交换在液态体相水氢键网络动力学中的普遍性。作为了解高分子链内部结构的重要物理量,结构因子无论是在理论上还是实验上都受到极大的关注。通过深度神经网络,我们获得了一个有效的模型来计算高分子链的结构因子,而无需考虑波数和链刚性的不同区域。此外,利用训练后的神经网络模型,结合散射实验数据,我们预测了一些聚合物链的链长和库恩长度,结果表明我们的模型可以得到相当合理的预测结果。这项工作提供了一种计算高分子链结构因子的方法,该方法的预测精度高,同时有很好计算效率。另外,我们也为实验研究人员提供了一种测量任意高分子链的链长和库恩长度的方法。