阿尔托大学的博士生Olli-Pekka Koistinen开发了基于高斯过程回归的机器学习算法，以增强对最小能量路径和鞍点的搜索，并测试了该算法的工作效果。
在理论化学中，找到最少的能量路径和鞍点是消耗最多时间和计算资源的问题之一。瓶颈是对每个原子构型的能量和力的准确评估，这通常需要在构型空间中的数百个点处执行。
使用机器学习的算法可以将观察点的数量和昂贵的能源评估减少到传统方法所需的一小部分，从而加快了计算速度。
最小能量路径位于势能表面上，该势能表面根据特定参数描述特定系统(例如分子)的能量。通常，这些参数显示原子的位置。能量表面的局部最小值对应于系统的稳定状态。最小的能量路径将这些点联系起来，并描述了可能的反应机理。
“作为定向者，我将这个能量表面看作是一个图。稳定的原子构型在图上显示为凹陷，而最小能量路径是两个这样的凹陷之间的路径。它一直保持尽可能低的状态。路径的最高点是在一个鞍点，您可以从一个洼地到另一个洼地并保持尽可能低的高度，” Koistinen解释说。
传统上，研究人员使用迭代方法搜索最小的能量路径和鞍点，这些方法在能量表面上以很小的步长进行。借助机器学习和统计模型，可以将以前的观察结果用于对能量表面进行建模，并且可以显着减少迭代次数来达到目标。
因此，机器学习提供了一种更有效，更轻便，因此更便宜，更生态的选择。它也可以为研究传统方法无法解决的问题提供新的可能性。Koistinen说：“这是一个研究主题的另一个例子，其中机器学习方法可能会有所帮助。”