Olli-Pekka Koistinen, candidato a doctorado en la Universidad Aalto, Desarrolló algoritmos de aprendizaje automático basados ​​en la regresión del proceso gaussiano para mejorar las búsquedas de rutas de energía mínima y puntos de silla. y probó qué tan bien funcionan los algoritmos.

En química teórica, encontrar rutas de energía mínima y puntos de silla es uno de los problemas que consumen más tiempo y recursos computacionales. El cuello de botella es la evaluación precisa de la energía y las fuerzas para cada configuración atómica, que normalmente debe realizarse en cientos de puntos del espacio de configuración.

Los algoritmos que utilizan el aprendizaje automático pueden reducir la cantidad de puntos de observación y las costosas evaluaciones de energía a una fracción de lo que requieren los métodos convencionales. y así acelerar el cálculo.

Las rutas de energía mínima se encuentran en una superficie de energía potencial que describe la energía de un sistema en particular:una molécula, por ejemplo, en términos de parámetros particulares. Generalmente, estos parámetros muestran la ubicación de los átomos. Los puntos mínimos locales de la superficie energética corresponden a los estados estables del sistema. Las rutas de energía mínima conectan estos puntos y describen posibles mecanismos de reacción.

"Como orientador, Veo esta superficie de energía como un mapa. Las configuraciones de átomos estables se muestran como depresiones en el mapa, y la ruta de energía mínima es una ruta entre dos depresiones de este tipo. Se mantiene lo más bajo posible a lo largo del camino. El punto más alto del camino está en un punto de silla donde puedes pasar de una depresión a otra manteniéndote lo más bajo posible. "Explica Koistinen.

Tradicionalmente, Los investigadores han buscado caminos de energía mínima y puntos de silla utilizando métodos iterativos que avanzan en una superficie de energía con pequeños pasos. Con la ayuda del aprendizaje automático y los modelos estadísticos, las observaciones previas se pueden utilizar para modelar la superficie de energía, y el objetivo se puede alcanzar con un número significativamente menor de iteraciones.

Por lo tanto, el aprendizaje automático ofrece una forma más eficaz Opción más ligera y, por tanto, más económica y más ecológica. También puede abrir nuevas posibilidades para estudiar problemas que no han sido factibles con los métodos tradicionales. "Este es otro ejemplo de un tema de investigación en el que los métodos de aprendizaje automático pueden resultar útiles, "Dice Koistinen.