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，找到最小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。計算的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。

利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。

最小的能量路徑位于勢能表面，該勢能表面描述了特定系統(tǒng)(例如分子)的能量，取決于特定參數(shù)。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。

``作為一名定向者，我將這張能量表面視為一張地圖。穩(wěn)定的原子構(gòu)型在圖上顯示為凹陷，最小能量路徑是兩個這樣的凹陷之間的路徑。一路保持盡可能低的水平。路徑的最高點是在一個鞍點，您可以從一個洼地變成另一個洼地，并盡可能降低。” 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，可以利用以前的觀察結(jié)果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，更輕便的方法，因此也提供了一種更便宜，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。”

Olli-Pekka Koistinen，碩士 (技術(shù))將在1月9日(星期四)中午12點在阿爾托大學科學學院，本科中心，E演講廳(Y124)為他的論文辯護。 論文的名稱是“使用高斯過程回歸找到鞍點和最小能量路徑的算法。”