Poda adaptativa para mayor robustez y menor sobrecarga computacional en búsquedas aceleradas de puntos de silla de...

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.