シリカの短距離ボンド・オーダー・ポテンシャルの階層的な強化学習: クラシック・効率性との調整の分析的組み込み

科学分野:

• マテリアルサイエンス 材料科学
• コンピューティング・ケミストリー
• 人工知能 (AI) とは,人工知能 (AI) のことです.

背景:

• 強化学習 (RL) は,原子間潜在力を開発するためのデータ効率の良い方法を提供します.
• 以前の作業では,RL.L.を使用してペアウェイシリカモデルを最適化しました.
• ボンド・オーダー・ポテンシャルに拡張するには,三体相互作用を組み込む必要があります.

研究 の 目的:

• 強化学習を使用して,シリカの角度認識,短距離の原子間ポテンシャルを開発する.
• 物理に基づく記述と機械学習による記述を結びつける分析モデルを作成する.
• 21のシリカポリモルフの26次元のパラメータ空間を探求する.

主な方法:

• マンテカルロツリー検索とプロパティベースの報酬を組み合わせた階層的な強化学習ワークフロー.
• 格子パラメータ,密度,角度,および凝固エネルギーの順次最適化.
• テルソフ型ポテンシャルに基づくQ-テルソフとML-テルソフモデルの開発.

主要な成果:

• Q-TersoffとML-Tersoffモデルは,低エネルギーシリカ相のエネルギー順序を正確に再現しています.
• 偶関型モデルと比較して,角的相関と無形構造因子を捕捉する精度が向上しました.
• モデルは,高次元の機械学習のポテンシャルよりも数桁速い.

結論:

• 開発されたRLフレームワークは,角度認識ポテンシャルへの一般的で解釈可能な経路を提供します.
• モデルは,弾性定数と高エネルギーフレームワークの限界を示し,現在の分析形式の限界を示しています.
• このアプローチは,シリケート材料の物理ベースの記述と機械学習による記述を成功裏に橋渡ししています.