機器學習算法有助于更有效地找到最小的能量路徑和鞍點

2020-01-15 19:07:15 編輯：來源：

導讀阿爾托大學的博士生Olli-Pekka Koistinen開發了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，并測試了該算法的工

阿爾托大學的博士生Olli-Pekka Koistinen開發了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，并測試了該算法的工作效率。

在理論化學中，找到最小的能量路徑和鞍點是消耗最多時間和計算資源的問題之一。計算的瓶頸是對每個原子構型的能量和力的準確評估，這通常需要在構型空間中的數百個點處執行。

利用機器學習的算法可以將觀察點的數量和昂貴的能源評估減少到傳統方法所需的一小部分，從而加快了計算速度。

最小能量路徑位于描述特定系統(例如分子)的能量的勢能表面上，該能量取決于特定參數。通常，這些參數顯示原子的位置。能量表面的局部最小值對應于系統的穩定狀態。最小的能量路徑將這些點聯系起來，并描述了可能的反應機理。

``作為一名定向者，我將這張能量表面視為一張地圖。穩定的原子構型在圖上顯示為凹陷，最小能量路徑是兩個凹陷之間的路徑。一路保持盡可能低的水平。路徑的最高點是在一個鞍點，您可以從一個洼地變成另一個洼地并保持盡可能低的高度，” Koistinen解釋說。

傳統上，研究人員使用迭代方法搜索最小的能量路徑和鞍點，這些方法在能量表面上以很小的步長進行。借助機器學習和統計模型，可以利用先前的觀察來對能量表面進行建模，并且可以顯著減少迭代次數來達到目標??。

因此，機器學習提供了一種更有效，更輕便的方法，因此也提供了一種更便宜，更生態的選擇。它也可以為研究傳統方法無法解決的問題提供新的可能性。Koistinen說：“這是研究主題的另一個例子，其中機器學習方法可能會有所幫助。”

Olli-Pekka Koistinen，碩士 (Tech。)將于1月9日星期四中午12點在阿爾托大學科學學院，本科中心，E演講廳(Y124)為他的論文辯護。論文的名稱是“使用高斯過程回歸找到鞍點和最小能量路徑的算法。”

標簽：機器學習算法

免責聲明：本文由用戶上傳，如有侵權請聯系刪除！

本站除標明“本站原創”外所有信息均轉載自互聯網版權歸原作者所有。

郵箱：toplearningteam#gmail.com (請將#換成@)

欧美日韩激情电影,久久亚洲精品毛片,日日夜夜天天综合入口,亚洲激情六月丁香