Poda adaptativa para mayor robustez y menor sobrecarga computacional en búsquedas aceleradas de puntos de silla de procesos gaussianos | JoVE Visualize

Área de la Ciencia:

Química Computacional
Física Química
Aprendizaje Automático en Química

Sus antecedentes:

La regresión por procesos gaussianos (GP) es una herramienta poderosa para acelerar cálculos computacionalmente costosos en química, como las búsquedas de puntos de silla.
Los métodos tradicionales de regresión de GP enfrentan desafíos con la sobrecarga computacional durante la optimización de hiperparámetros y fallos potenciales en regiones mal representadas de la superficie de energía potencial.
La navegación eficiente de superficies de energía de alta dimensionalidad es crucial para comprender las reacciones químicas y las propiedades moleculares.

Objetivo del estudio:

Abordar las ineficiencias y fallos asociados con la regresión de GP en la aceleración de búsquedas de puntos de silla.
Desarrollar un algoritmo más robusto y escalable basado en GP para explorar superficies de energía potencial de alta dimensionalidad.
Reducir el costo computacional asociado con la evaluación de energías y fuerzas en sistemas químicos complejos.

Principales métodos:

Se implementaron medidas de transporte óptimo conscientes de la geometría y una estrategia de poda activa utilizando distancias de Wasserstein-1 para el muestreo de puntos más lejanos.
Se seleccionaron configuraciones geométricamente diversas para gestionar el creciente costo de las actualizaciones de GP.
Se introdujo una métrica invariante a la permutación para la estabilidad y una penalización de barrera logarítmica para controlar el crecimiento de la varianza de la señal.

Principales resultados:

Se redujo con éxito el tiempo computacional medio en más del 50% para un conjunto de datos de 238 configuraciones de reacciones químicas desafiantes.
Se demostró una mayor estabilidad y robustez del enfoque de GP, incluso en sistemas complejos y de alta dimensionalidad.
Se validó la eficacia de las mejoras algorítmicas basadas en la física en aplicaciones prácticas.

Conclusiones:

El algoritmo mejorado de regresión de GP ofrece una solución robusta y escalable para acelerar las búsquedas de puntos de silla en química computacional.
Estas mejoras disminuyen significativamente las demandas computacionales, haciendo de la regresión de GP una herramienta más práctica para analizar reacciones químicas.
Los métodos desarrollados proporcionan una estrategia confiable para navegar por paisajes energéticos complejos donde la evaluación de energía y fuerza es costosa.