Algoritmer hjælper med at finde minimale energibaner og sadelpunkter mere effektivt

Olli-Pekka Koistinen, doktorand ved Aalto University, udviklet maskinlæringsalgoritmer baseret på gaussisk procesregression for at forbedre søgninger efter minimale energibaner og sadelpunkter, og testet, hvor godt algoritmerne fungerer.

I teoretisk kemi, at finde minimale energibaner og sadelpunkter er blandt de problemer, der bruger mest tid og beregningsressourcer. Flaskehalsen er den nøjagtige vurdering af energi og kræfter for hver atomkonfiguration, som typisk skal udføres på hundredvis af punkter i konfigurationsrummet.

Algoritmer, der bruger maskinlæring, kan reducere antallet af observationspunkter og dyre energivurderinger til en brøkdel af det, der kræves ved konventionelle metoder, og dermed fremskynde beregningen.

Minimumsenergiveje ligger på en potentiel energioverflade, der beskriver energien i et bestemt system - et molekyle, for eksempel - hvad angår bestemte parametre. Som regel, disse parametre viser atomernes placering. De lokale minimumspunkter på energioverfladen svarer til systemets stabile tilstande. Minimumsenergibanerne forbinder disse punkter og beskriver mulige reaktionsmekanismer.

"Som orienterer, Jeg ser denne energioverflade som et kort. De stabile atomkonfigurationer er vist som fordybninger på kortet, og den minimale energibane er en rute mellem to sådanne fordybninger. Det forbliver så lavt som muligt undervejs. Stiens højeste punkt er på et sadelpunkt, hvor du kan komme fra en depression til en anden, der holder dig så lav som muligt, ”Forklarer Koistinen.

Traditionelt set forskere har søgt efter minimale energibaner og sadelpunkter ved hjælp af iterative metoder, der fortsætter på en energioverflade med små trin. Ved hjælp af maskinlæring og statistiske modeller, tidligere observationer kan bruges til at modellere energioverfladen, og målet kan nås med betydeligt færre iterationer.

Derfor, maskinlæring giver en mere effektiv, lettere og dermed billigere og mere økologisk mulighed. Det kan også åbne nye muligheder for at studere problemer, der ikke har været mulige med traditionelle metoder. "Dette er endnu et eksempel på et forskningsemne, hvor maskinlæringsmetoder kan være nyttige, ”Siger Koistinen.