以政策为指导的蒙特卡洛关于一般状态空间:适用于玻璃成型混合物
Leonardo Galliano1, Riccardo Rende2, Daniele Coslovich1
1Dipartimento di Fisica, Università di Trieste, Strada Costiera 11, 34151 Trieste, Italy.
The Journal of chemical physics
|August 12, 2024
概括
以政策为指导的蒙特卡洛通过调整采样策略来增强交互系统的模拟. 这种以强化学习为灵感的方法显著加快了对某些混合物的模拟,但对复杂的模型显示了不同的结果.
科学领域:
- 计算物理 计算物理
- 统计力学 统计力学
- 机器学习应用 机器学习应用
背景情况:
- 经典的交互系统需要高效的模拟方法.
- 蒙特卡洛方法,特别是大都市-哈斯廷斯,是标准的,但可能很慢.
- 适应性采样策略可以提高计算效率.
研究的目的:
- 将政策导向的蒙特卡洛扩展到一般国家空间.
- 将该方法应用于玻璃成型混合物模型.
- 评估优化提案分配的效率.
主要方法:
- 政策指导的蒙特卡洛与强化学习.
- 扩展到一般的离散和连续状态空间.
- 在政策上学习以优化提案分发.
主要成果:
- 优化的建议实现了增材软球混合物的两倍增速.
- 在Kob-Andersen模型中观察到更有限的加速度.
- 效率取决于具体的模型和物理灵感的动作.
结论:
- 政策导向的蒙特卡洛是一个有前途的自适应模拟技术.
- 不同交互系统的性能各不相同.
- 需要进一步改进,以解决目前的局限性.


