阿爾托大學博士生Olli-Pekka Koistinen開發(fā)了一種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，并測試了算法的工作效果。

在理論化學中，尋找最小的能量路徑和鞍點是消耗時間和計算資源最多的問題之一。計算的瓶頸是對每個原子構(gòu)型的能量和力的精確評估，這通常需要在構(gòu)型空間的數(shù)百個點上進行。

機器學習算法可以將觀察點的數(shù)量和昂貴的能量評估減少到傳統(tǒng)方法的一小部分，從而加快計算速度。

最小能量路徑位于勢能面上，它描述了特定系統(tǒng)(如分子)的能量，并取決于特定的參數(shù)。通常，這些參數(shù)顯示原子的位置。表面的局部最小能量對應(yīng)于系統(tǒng)的穩(wěn)態(tài)。最小能量路徑連接這些點，并描述了可能的反應(yīng)機制。

作為一個定向人，我把這個能量面當成一張地圖。穩(wěn)定的原子構(gòu)型在圖中顯示為凹陷，最小能量路徑是兩個這樣的凹陷之間的路徑。全程盡量保持低。路徑的最高點在一個鞍點，所以你可以從一個洼地換到另一個洼地，并盡可能減少它。”柯伊斯汀解釋道。

傳統(tǒng)上，研究人員使用迭代方法來搜索最小的能量路徑和鞍點，并且這些方法在能量表面上以非常小的步驟進行。借助機器學習和統(tǒng)計模型，可以根據(jù)之前的觀測結(jié)果對能量面進行建模，并顯著減少迭代次數(shù)以達到目標。

因此，機器學習提供了一種更有效和更便攜的方法，因此是一種更便宜和更生態(tài)的選擇。它還可以為研究傳統(tǒng)方法無法解決的問題提供新的可能性。Koistinen說：“這是一個研究課題的另一個例子，其中機器學習方法可能會有所幫助。”

1月9日(周四)中午12點，碩士(技術(shù))Olli-Pekka Koistinen將在阿爾托大學理學院E (Y124)報告廳進行論文答辯。本文的題目是“利用高斯過程回歸尋找鞍點和最小能量路徑的算法”。

鄭重聲明：本文版權(quán)歸原作者所有。轉(zhuǎn)載文章只是為了傳播更多的信息。如果作者信息標注有誤，請第一時間聯(lián)系我們修改或刪除。謝謝你。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！