机器学习是一种用于自动化分析模型构建的数据分析方法，它重塑了科学家和工程师进行研究的方式。作为人工智能 (AI) 和计算机科学的一个分支，该方法依赖于大量算法和广泛的数据集来识别模式并做出重要的研究决策。
机器学习技术在表面催化领域的应用不断涌现，能够对纳米粒子进行更广泛的模拟、分离研究、结构优化、力场的动态学习和高通量筛选。然而，处理大量数据通常是一项耗时且计算成本高的任务。
几何优化通常是分子模拟中的限速步骤，是计算材料和表面科学的关键部分。它使研究人员能够找到基态原子结构和反应途径，以及用于估计分子和晶体结构的动力学和热力学特性的特性。虽然至关重要，但该过程可能相对较慢，需要进行大量计算才能完成。
在卡内基梅隆大学，John Kitchin 正致力于通过提供一种基于神经网络的主动学习方法来加速该过程，该方法可同时加速多个配置的几何优化。新模型将密度泛函理论 (DFT) 或有效介质理论 (EMT) 计算的数量减少了 50% 到 90%，使研究人员可以在更短的时间内完成相同的工作或在相同的时间内完成更多的工作。
“通常，当我们进行几何优化时，我们会从头开始，”Kitchin 说。“这些计算很少受益于我们过去所知道的任何事情。”
“通过在过程中添加代理模型，我们使其能够依赖先前的计算，而不是每次都从头开始。”
John Kitchin 讨论了他的研究“分子模拟中的机器学习加速几何优化”来源：John Kitchin，卡内基梅隆大学
该研究说明了几个案例研究的加速，包括带有吸附物的表面、裸金属表面和用于两个反应的轻推松紧带。在每种情况下，原子模拟环境 (ASE) 优化器 Python 包都允许比标准方法更少的 DFT 计算。
ASE-optimizer Python 包已提供给同行工程师和科学家，以便更轻松地使用神经网络集成主动学习进行几何优化。