Olli Pekka Koistinen, promovendus aan de Aalto University, ontwikkelde machine learning-algoritmen op basis van Gaussiaanse procesregressie om het zoeken naar minimale energiepaden en zadelpunten te verbeteren, en getest hoe goed de algoritmen werken.

In de theoretische scheikunde het vinden van minimale energiepaden en zadelpunten is een van de problemen die de meeste tijd en rekenkracht kosten. Het knelpunt is de nauwkeurige evaluatie van energie en krachten voor elke atomaire configuratie, die doorgaans op honderden punten in de configuratieruimte moet worden uitgevoerd.

Algoritmen die machine learning gebruiken, kunnen het aantal observatiepunten en dure energie-evaluaties verminderen tot een fractie van wat nodig is voor conventionele methoden, en zo de berekening versnellen.

Minimale energiepaden liggen op een potentieel energieoppervlak dat de energie van een bepaald systeem beschrijft - een molecuul, bijvoorbeeld in termen van bepaalde parameters. Gebruikelijk, deze parameters tonen de locaties van de atomen. De lokale minimumpunten van het energieoppervlak komen overeen met de stabiele toestanden van het systeem. De minimale energiepaden verbinden deze punten en beschrijven mogelijke reactiemechanismen.

"Als oriëntatieloper Ik zie dit energieoppervlak als een kaart. De stabiele atoomconfiguraties worden weergegeven als depressies op de kaart, en het minimale energiepad is een route tussen twee van dergelijke depressies. Het blijft de hele weg zo laag mogelijk. Het hoogste punt van het pad is op een zadelpunt waar je van de ene depressie in de andere kunt komen en zo laag mogelijk blijft, " legt Koistinen uit.

traditioneel, onderzoekers hebben gezocht naar minimale energiepaden en zadelpunten met behulp van iteratieve methoden die met kleine stappen op een energieoppervlak voortgaan. Met behulp van machine learning en statistische modellen, eerdere waarnemingen kunnen worden gebruikt om het energieoppervlak te modelleren, en het doel kan worden bereikt met aanzienlijk minder iteraties.

Daarom, machine learning biedt een effectievere, lichtere en dus goedkopere en meer ecologische optie. Het kan ook nieuwe mogelijkheden openen voor het bestuderen van problemen die met traditionele methoden niet haalbaar waren. "Dit is een ander voorbeeld van een onderzoeksonderwerp waarin methoden voor machinaal leren nuttig kunnen zijn, ' zegt Koistinen.