Olli-Pekka Koistinen, dottorando presso Aalto University, sviluppato algoritmi di apprendimento automatico basati sulla regressione del processo gaussiano per migliorare le ricerche di percorsi di energia minima e punti di sella, e testato il funzionamento degli algoritmi.

Nella chimica teorica, trovare percorsi energetici minimi e punti di sella è tra i problemi che consumano più tempo e risorse computazionali. Il collo di bottiglia è la valutazione accurata dell'energia e delle forze per ogni configurazione atomica, che in genere deve essere eseguita in centinaia di punti nello spazio di configurazione.

Gli algoritmi che utilizzano l'apprendimento automatico possono ridurre il numero di punti di osservazione e le costose valutazioni energetiche a una frazione di quanto richiesto dai metodi convenzionali, e quindi velocizzare il calcolo.

I percorsi di energia minima si trovano su una superficie di energia potenziale che descrive l'energia di un particolare sistema:una molecola, per esempio, in termini di parametri particolari. Generalmente, questi parametri mostrano le posizioni degli atomi. I punti di minimo locale della superficie di energia corrispondono agli stati stabili del sistema. I percorsi di minima energia collegano questi punti e descrivono i possibili meccanismi di reazione.

"Come orientista, Vedo questa superficie energetica come una mappa. Le configurazioni stabili degli atomi sono mostrate come depressioni sulla mappa, e il percorso di energia minima è un percorso tra due di tali depressioni. Rimane il più basso possibile lungo tutto il percorso. Il punto più alto del sentiero è in corrispondenza di una sella dove si può passare da una depressione all'altra restando il più in basso possibile, " spiega Koistinen.

Tradizionalmente, i ricercatori hanno cercato percorsi di minima energia e punti di sella utilizzando metodi iterativi che procedono su una superficie di energia con piccoli passi. Con l'aiuto del machine learning e dei modelli statistici, osservazioni precedenti possono essere utilizzate per modellare la superficie energetica, e l'obiettivo può essere raggiunto con un numero significativamente inferiore di iterazioni.

Perciò, l'apprendimento automatico offre una più efficace, opzione più leggera e quindi più economica ed ecologica. Può anche aprire nuove possibilità per studiare problemi che non sono stati fattibili con i metodi tradizionali. "Questo è un altro esempio di un argomento di ricerca in cui i metodi di apprendimento automatico possono essere utili, " dice Koistinen.