阿爾托大學的博士生Olli-Pekka Koistinen開發(fā)了基于高斯過程回歸的機器學習算法，以增強對最小能量路徑和鞍點的搜索，并測試了該算法的工作效果。

在理論化學中，找到最少的能量路徑和鞍點是消耗最多時間和計算資源的問題之一。瓶頸是對每個原子構(gòu)型的能量和力的準確評估，這通常需要在構(gòu)型空間中的數(shù)百個點處執(zhí)行。

使用機器學習的算法可以將觀察點的數(shù)量和昂貴的能源評估減少到傳統(tǒng)方法所需的一小部分，從而加快了計算速度。

最小能量路徑位于勢能表面上，該勢能表面根據(jù)特定參數(shù)描述特定系統(tǒng)(例如分子)的能量。通常，這些參數(shù)顯示原子的位置。能量表面的局部最小值對應(yīng)于系統(tǒng)的穩(wěn)定狀態(tài)。最小的能量路徑將這些點聯(lián)系起來，并描述了可能的反應(yīng)機理。

“作為定向者，我將這個能量表面看作是一個圖。穩(wěn)定的原子構(gòu)型在圖上顯示為凹陷，而最小能量路徑是兩個這樣的凹陷之間的路徑。它一直保持盡可能低的狀態(tài)。路徑的最高點是在一個鞍點，您可以從一個洼地到另一個洼地并保持盡可能低的高度，” Koistinen解釋說。

傳統(tǒng)上，研究人員使用迭代方法搜索最小的能量路徑和鞍點，這些方法在能量表面上以很小的步長進行。借助機器學習和統(tǒng)計模型，可以將以前的觀察結(jié)果用于對能量表面進行建模，并且可以顯著減少迭代次數(shù)來達到目標??。

因此，機器學習提供了一種更有效，更輕便，因此更便宜，更生態(tài)的選擇。它也可以為研究傳統(tǒng)方法無法解決的問題提供新的可能性。Koistinen說：“這是一個研究主題的另一個例子，其中機器學習方法可能會有所幫助。”