Olli-Pekka Koistinen, doctorant à l'Université Aalto, développé des algorithmes d'apprentissage automatique basés sur la régression de processus gaussien pour améliorer les recherches de chemins d'énergie minimum et de points de selle, et testé le bon fonctionnement des algorithmes.

En chimie théorique, trouver des chemins d'énergie minimum et des points de selle est parmi les problèmes qui consomment le plus de temps et de ressources de calcul. Le goulot d'étranglement est l'évaluation précise de l'énergie et des forces pour chaque configuration atomique, qui doit généralement être effectué à des centaines de points dans l'espace de configuration.

Les algorithmes utilisant l'apprentissage automatique peuvent réduire le nombre de points d'observation et d'évaluations énergétiques coûteuses à une fraction de ce qui est requis par les méthodes conventionnelles, et ainsi accélérer le calcul.

Les chemins d'énergie minimum se trouvent sur une surface d'énergie potentielle qui décrit l'énergie d'un système particulier - une molécule, par exemple, en termes de paramètres particuliers. D'habitude, ces paramètres montrent les emplacements des atomes. Les points minima locaux de la surface énergétique correspondent aux états stables du système. Les chemins d'énergie minimale relient ces points et décrivent les mécanismes de réaction possibles.

"En tant qu'orienteur, Je vois cette surface énergétique comme une carte. Les configurations d'atomes stables sont représentées par des dépressions sur la carte, et le chemin d'énergie minimale est une route entre deux de ces dépressions. Il reste le plus bas possible tout au long du trajet. Le point culminant du chemin est à un point de selle où l'on peut passer d'une dépression à une autre en restant le plus bas possible, " explique Koistinen.

Traditionnellement, les chercheurs ont recherché des chemins d'énergie minimum et des points de selle en utilisant des méthodes itératives qui se déroulent sur une surface d'énergie avec de petits pas. À l'aide de l'apprentissage automatique et de modèles statistiques, les observations précédentes peuvent être utilisées pour modéliser la surface énergétique, et l'objectif peut être atteint avec beaucoup moins d'itérations.

Par conséquent, l'apprentissage automatique offre une méthode plus efficace, option plus légère et donc moins chère et plus écologique. Il peut également ouvrir de nouvelles possibilités pour étudier des problèmes qui n'ont pas été réalisables avec les méthodes traditionnelles. "C'est un autre exemple de sujet de recherche dans lequel les méthodes d'apprentissage automatique peuvent être utiles, " dit Koistinen.