从微观层面上探索化学反应的本质及规律是现代物理化学的重要研究目标和前沿。理论上，研究一个反应的动力学微观机理的前提是构建一个可靠的势能面。近年来，基于神经网络、高斯过程回归等机器学习算法构建反应势能面得到了日益增长的关注，但对于多原子体系来说，利用单一的机器学习模型得到全域精确且调用速度快的高维势能面仍然是一个很大的挑战。
近日，陈茂笃教授课题组通过结合高斯过程回归的主动选点和神经网络拟合提出了一种构建反应体系全域高精度势能面的高效方法。该方法能够充分发挥两种机器学习模型的优势，可以实现基于尽可能少的ab initio能量点得到调用速度快、精度高的反应体系全域势能面。
相关的研究成果以“Representing globally accurate reactive potentialenergy surfaces with complex topography bycombining Gaussian process regression andneural networks”为题作为封面文章发表在物理化学领域的Top期刊《Physical Chemistry Chemical Physics》，并入选2022 PCCP HOT Articles。同时，RSC China官方微信平台对该成果进行了亮点推送。文章第一作者是学院博士后杨紫江，陈茂笃教授为本文的通讯作者。该研究得到了国家自然科学基金资助。
