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

在理論化學(xué)中，找到最少的能量路徑和鞍點(diǎn)是消耗最多時(shí)間和計算資源的問(wèn)題之一。瓶頸是對每個(gè)原子構型的能量和力的準確評估，這通常需要在構型空間中的數百個(gè)點(diǎn)處執行。

使用機器學(xué)習的算法可以將觀(guān)察點(diǎn)的數量和昂貴的能源評估減少到傳統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，該勢能表面根據特定參數描述特定系統(例如分子)的能量。通常，這些參數顯示原子的位置。能量表面的局部最小值對應于系統的穩定狀態(tài)。最小的能量路徑將這些點(diǎn)聯(lián)系起來(lái)，并描述了可能的反應機理。

“作為定向者，我將這個(gè)能量表面看作是一個(gè)圖。穩定的原子構型在圖上顯示為凹陷，而最小能量路徑是兩個(gè)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(diǎn)是在一個(gè)鞍點(diǎn)，您可以從一個(gè)洼地到另一個(gè)洼地并保持盡可能低的高度，” Koistinen解釋說(shuō)。

傳統上，研究人員使用迭代方法搜索最小的能量路徑和鞍點(diǎn)，這些方法在能量表面上以很小的步長(cháng)進(jìn)行。借助機器學(xué)習和統計模型，可以將以前的觀(guān)察結果用于對能量表面進(jìn)行建模，并且可以顯著(zhù)減少迭代次數來(lái)達到目標??。

因此，機器學(xué)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方法無(wú)法解決的問(wèn)題提供新的可能性。Koistinen說(shuō)：“這是一個(gè)研究主題的另一個(gè)例子，其中機器學(xué)習方法可能會(huì )有所幫助。”