從微觀層面上探索化學反應的本質(zhì)及規(guī)律是現(xiàn)代物理化學的重要研究目標和前沿。理論上，研究一個反應的動力學微觀機理的前提是構建一個可靠的勢能面。近年來，基于神經(jīng)網(wǎng)絡、高斯過程回歸等機器學習算法構建反應勢能面得到了日益增長的關注，但對于多原子體系來說，利用單一的機器學習模型得到全域精確且調(diào)用速度快的高維勢能面仍然是一個很大的挑戰(zhàn)。
近日，陳茂篤教授課題組通過結合高斯過程回歸的主動選點和神經(jīng)網(wǎng)絡擬合提出了一種構建反應體系全域高精度勢能面的高效方法。該方法能夠充分發(fā)揮兩種機器學習模型的優(yōu)勢，可以實現(xiàn)基于盡可能少的ab initio能量點得到調(diào)用速度快、精度高的反應體系全域勢能面。
相關的研究成果以“Representing globally accurate reactive potentialenergy surfaces with complex topography bycombining Gaussian process regression andneural networks”為題作為封面文章發(fā)表在物理化學領域的Top期刊《Physical Chemistry Chemical Physics》，并入選2022 PCCP HOT Articles。同時，RSC China官方微信平臺對該成果進行了亮點推送。文章第一作者是學院博士后楊紫江，陳茂篤教授為本文的通訊作者。該研究得到了國家自然科學基金資助。
