阿尔托大学博士生Olli-Pekka Koistinen开发了一种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，并测试了算法的工作效果。
在理论化学中，寻找能量最小的路径和鞍点是消耗时间和计算资源最多的问题之一。瓶颈是对每个原子构型的能量和力的精确评估，这通常需要在构型空间的数百个点上执行。
使用机器学习算法可以将观察点的数量和昂贵的能量评估减少到传统方法所需的一小部分，从而加快计算速度。
最小能量路径位于势能面上，它根据特定的参数描述特定系统(如分子)的能量。通常，这些参数显示原子的位置。表面的局部最小能量对应于系统的稳态。最小能量路径连接这些点，并描述了可能的反应机制。
“作为导演，我把这个能量面看成一个图形。稳定的原子构型在图中显示为凹陷，最小能量路径是两个这样的凹陷之间的路径。它一直保持在尽可能低的水平。路径的最高点在一个鞍点，所以你可以从一个洼地走到另一个洼地，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来搜索最小的能量路径和鞍点，并且这些方法在能量表面上以非常小的步骤进行。在机器学习和统计模型的帮助下，可以利用之前的观测值对能量面进行建模，并且可以显著减少迭代次数来实现目标。
因此，机器学习提供了一种更有效、更轻便、因此更便宜和更生态的选择。它还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：“这是一个研究课题的另一个例子，其中机器学习方法可能会有所帮助。”
