Koneoppiminen atomienvälisten potentiaalien luomisessa

Abstract

Koneoppiminen (engl. machine learning, ML) sekä tietokoneiden laskentateho ovat ottaneet 2000-luvulla jättimäisiä kehitysaskelia. Tämä on mahdollistanut uusien menetelmien käyttämisen fysikaalisten, kemiallisten, ja materiaalitieteiden tutkimuksissa. Ennen kaikkea molekyylimallinnusten tekeminen erilaisten simulaatioiden avulla on hyötynyt tietokoneiden laskentatehon kasvusta. Tästä huolimatta molekyylimallinnuksen simulaatiot vaativat usein kohtuuttomasti aikaa. Siksi viime vuosina onkin ryhdytty yhä enenevissä määrin hyödyntämään koneoppimista teoreettisen molekyylimallinnuksen tekemisessä. Koneoppimisen avulla voidaan tehdä simulaatioita useita magnitudeja nopeammin perinteisiin simulaatiomenetelmiin verrattuna ilman, että simulaation tarkkuus kärsii merkittävästi. Koneoppimisella on siten potentiaalia mullistaa teoreettisen molekyylimallinnuksen tekeminen. Viimeaikaisista edistysaskelista huolimatta koneoppimisen soveltaminen molekyylimallinnukseen sisältää edelleen ongelmia ja haasteita. Tässä tutkielmassa tarkastellaan molekyylimallinnukseen tarkoitetun ML-mallin luomisen eri vaiheita sekä tarkastellaan ML-mallien luomiseen liittyviä haasteita, sekä esitellään muutamia menestyksekkäitä ML-malleja ja niiden toimintaperiaatteita.