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:
Lue lisää uutisia
Miljoonarahoitus uuden sukupolven koneteknologian kehittämiseen – tavoitteena tuottavuusloikka useilla vientialoilla
BEST-hankkeessa kehitetään uudenlaisia tiiviste-, laakerointi- ja vaimennusteknologioita useiden teollisuudenalojen käyttöön.
TAIMI-hanke rakentaa tasa-arvoista työelämää – kuusivuotinen konsortiohanke etsii ratkaisuja rekrytoinnin ja osaamisen haasteisiin
Tekoäly muuttaa osaamistarpeita, väestö ikääntyy ja työvoimapula syvenee. Samalla kansainvälisten osaajien potentiaali jää Suomessa usein hyödyntämättä. Näihin työelämän haasteisiin vastaa Strategisen tutkimuksen neuvoston rahoittama kuusivuotinen TAIMI-hanke, jota toteuttaa laaja konsortio.
Unite! Seed Fund 2026: Hakukierros avautuu 20. tammikuuta 2026
Tutustu ennakkoon Unite! Seed Fund 2026 -hakukierrokseen. Haku sisältää kolme rahoituslinjaa: opiskelijatoiminta, opetus ja oppiminen sekä tutkimus ja tohtorikoulutus.