阿尔托大学博士生Olli-Pekka Koistinen开发了一种基于高斯过程回归的机器学习算法，以增强对最小能量路径和鞍点的搜索，并测试了算法的工作效果。
在理论化学中，寻找最小的能量路径和鞍点是消耗时间和计算资源最多的问题之一。计算的瓶颈是对每个原子构型的能量和力的精确评估，这通常需要在构型空间的数百个点上进行。
机器学习算法可以将观察点的数量和昂贵的能量评估减少到传统方法的一小部分，从而加快计算速度。
最小能量路径位于势能面上，它描述了特定系统(如分子)的能量，并取决于特定的参数。通常，这些参数显示原子的位置。表面的局部最小能量对应于系统的稳态。最小能量路径连接这些点，并描述了可能的反应机制。
作为一个定向人，我把这个能量面当成一张地图。稳定的原子构型在图中显示为凹陷，最小能量路径是两个这样的凹陷之间的路径。全程尽量保持低。路径的最高点在一个鞍点，所以你可以从一个洼地换到另一个洼地，并尽可能地减少它。”柯伊斯汀解释道。
传统上，研究人员使用迭代方法来搜索最小的能量路径和鞍点，并且这些方法在能量表面上以非常小的步骤进行。借助机器学习和统计模型，可以根据之前的观测结果对能量面进行建模，并显著减少迭代次数以达到目标。
因此，机器学习提供了一种更有效和更便携的方法，因此是一种更便宜和更生态的选择。它还可以为研究传统方法无法解决的问题提供新的可能性。Koistinen说：“这是一个研究课题的另一个例子，其中机器学习方法可能会有所帮助。”
1月9日(周四)中午12点，硕士(技术)Olli-Pekka Koistinen将在阿尔托大学理学院E (Y124)报告厅进行论文答辩。本文的题目是“利用高斯过程回归寻找鞍点和最小能量路径的算法”。