Olli-Pekka Koistinen, candidato a doutorado na Aalto University, desenvolveram algoritmos de aprendizado de máquina baseados em regressão de processo gaussiano para aprimorar pesquisas de caminhos de energia mínima e pontos de sela, e testou o quão bem os algoritmos funcionam.

Na química teórica, encontrar caminhos mínimos de energia e pontos de sela está entre os problemas que consomem mais tempo e recursos computacionais. O gargalo é a avaliação precisa de energia e forças para cada configuração atômica, que normalmente precisa ser executado em centenas de pontos no espaço de configuração.

Algoritmos que usam aprendizado de máquina podem reduzir o número de pontos de observação e avaliações caras de energia para uma fração do que é exigido pelos métodos convencionais, e assim acelerar o cálculo.

Os caminhos de energia mínima encontram-se em uma superfície de energia potencial que descreve a energia de um sistema particular - uma molécula, por exemplo - em termos de parâmetros específicos. Usualmente, esses parâmetros mostram as localizações dos átomos. Os pontos mínimos locais da superfície de energia correspondem aos estados estáveis ​​do sistema. Os caminhos de energia mínima conectam esses pontos e descrevem os possíveis mecanismos de reação.

“Como orientista, Eu vejo essa superfície de energia como um mapa. As configurações estáveis ​​do átomo são mostradas como depressões no mapa, e o caminho de energia mínima é uma rota entre duas dessas depressões. Ele permanece o mais baixo possível ao longo do caminho. O ponto mais alto do caminho é um ponto de sela onde você pode ir de uma depressão para outra ficando o mais baixo possível, "Koistinen explica.

Tradicionalmente, pesquisadores têm procurado caminhos de energia mínima e pontos de sela usando métodos iterativos que procedem em uma superfície de energia com pequenos passos. Com a ajuda de aprendizado de máquina e modelos estatísticos, observações anteriores podem ser usadas para modelar a superfície de energia, e a meta pode ser alcançada com significativamente menos iterações.

Portanto, o aprendizado de máquina oferece uma forma mais eficaz, opção mais leve e, portanto, mais barata e mais ecológica. Também pode abrir novas possibilidades para estudar problemas que não eram viáveis ​​com os métodos tradicionais. "Este é outro exemplo de um tópico de pesquisa em que os métodos de aprendizado de máquina podem ser úteis, "Koistinen diz.