Koneoppimisesta apua kemisteille: algoritmien avulla minimienergiapolut ja satulapisteet löytyvät tehokkaammin
Aalto-yliopiston tohtorikoulutettava Olli-Pekka Koistinen kehitti väitöskirjassaan gaussisiin prosesseihin perustuvia koneoppimisalgoritmeja, jotka tehostavat minimienergiapolkujen ja satulapisteiden etsintää, sekä testasi niiden toimivuutta.
Teoreettisessa kemiassa minimienergiapolkujen ja satulapisteiden määrittäminen on yksi eniten aikaa ja laskentaresursseja kuluttavista tehtävistä. Laskenta-aikaa kuluu etenkin atomikonfiguraation tarkan energian ja gradienttivektorin määrittämiseen. Se joudutaan tekemään erikseen jopa sadoissa konfiguraatioavaruuden pisteissä.
Koneoppimista hyödyntävät menetelmät voivat vähentää tarvittavien havaintopisteiden ja raskaiden energialaskujen määrää murto-osaan siitä, mitä perinteiset menetelmät vaativat, ja siten nopeuttaa ja keventää laskentaa.
Minimienergiapolut kulkevat potentiaalienergiapinnalla, joka kuvaa järjestelmän – esimerkiksi molekyylin – energiaa tiettyjen parametrien suhteen. Yleensä nämä parametrit kertovat atomien sijainnin. Energiapinnan paikalliset minimikohdat vastaavat systeemin vakaita tiloja. Minimienergiapolut yhdistävät näitä vakaita tiloja toisiinsa ja kuvaavat mahdollisia reaktiomekanismeja.
”Suunnistajana ajattelen energiapintaa karttana. Pysyvät atomikonfiguraatiot näkyvät kartassa kuoppina. Minimienergiapolku on reitti kahden tällaisen tilan välillä. Se pysyy koko ajan mahdollisimman matalana. Polun korkein kohta on satulapisteessä, jolloin se pääsee pujahtamaan kuopasta toiseen mahdollisimman matalalta”, Koistinen selittää.
Perinteisesti minimienergiapolkuja ja satulapisteitä on etsitty iteratiivisilla menetelmillä, jotka etenevät energiapinnalla pienin askelin. Koneoppimisen ja tilastollisten mallien avulla aikaisemmat havainnot voidaan käyttää hyväksi energiapinnan mallintamiseksi, jolloin tavoitteeseen voidaan päästä huomattavasti vähemmillä iteraatioilla.
Koneoppiminen tarjoaa siis tehtävään tehokkaamman ja kevyemmän sekä sitä kautta myös aiempaa halvemman ja ympäristöystävällisemmän keinon. Se voi myös avata mahdollisuuksia sellaisten ongelmien tutkimiseen, joihin käytännön resurssit eivät ole aikaisemmin riittäneet. ”Tämä on yksi esimerkki lisää siitä, mihin koneoppimismenetelmiä voi käyttää”, Koistinen sanoo.
Diplomi-insinööriOlli-Pekka Koistinen väittelee torstaina 9. tammikuuta 2020 Aalto-yliopiston perustieteiden korkeakoulussa Kandidaattikeskuksen salissa E (Y124). Väitöskirjan nimi on "Algorithms for Finding Saddle Points and Minimum Energy Paths Using Gaussian Process Regression".
Linkki väitöskirjaan: https://aaltodoc.aalto.fi/handle/123456789/41794
- Julkaistu:
- Päivitetty:
Lue lisää uutisia
Millainen luonto elvyttää? Aalto-yliopiston tutkijat avaavat erilaisten viherympäristöjen elvyttävyyden näkyviä ja näkymättömiä piirteitä
Lähellä oleva luonto tekee hyvää – mutta miksi ja miten?
Tekoälyllä tuotetieto talotekniikan menestystekijäksi
Ympäristöraportointi, digitaaliset kaksoset ja tuottavuuden tuntuva nosto eivät onnistu ilman nykyistä parempaa tiedonhallintaa. Talotekniikka 2030 -tutkimusraportti ruotii nykytilanteen haasteita ja esittää ratkaisuja ja case-esimerkkejä, jotka pohjautuvat uusimman tekoälyteknologian hyödyntämiseen.
Yhä harvempi yliopisto-opiskelija jää kotiseudulleen Suomen suurimmissa kaupungeissa – uusi selvitys näyttää kaupunkikohtaiset erot
Aalto-yliopiston kaupunkitaloustieteen tutkimusryhmä AlueAvain on tarkastellut Tilastokeskuksen yksilötason rekisteriaineistojen avulla yliopisto-opiskelijoiden muuttoliikkeitä Suomen suurimmissa kaupungeissa viimeisten 20 vuoden aikana. Tarkastelussa vertailtiin erikseen pääkaupunkiseudun kuntia sekä Tamperetta, Turkua ja Oulua.