通过深度强化学习探索纳米集团潜在能量表面:全球最低搜索策略

科学领域:

• 计算材料科学科学 计算材料科学
• 纳米材料 发现 发现
• 化学中的人工智能.

背景情况:

• 在纳米集群中识别全球最小 (GM) 配置是具有挑战性的,因为具有许多局部最小的复杂潜在能源景观.
• 传统的方法,如遗传算法和盆地跳跃,与收和导航大型,复杂的能量表面作斗争,特别是对于多样化和大型纳米集群.

研究的目的:

• 开发和验证一个新的深度强化学习 (DRL) 框架,以有效地探索纳米集群潜在能量表面 (PES).
• 在各种单金属和多金属纳米集群中识别全球最小 (GM) 配置和其他低能量状态.

主要方法:

• 开发一个专门的深度强化学习 (DRL) 框架,适用于潜在能量表面 (PES) 勘探.
• 将DRL框架应用于各种纳米集群系统,包括单金属和多金属组合物.
• 通过增加集群大小和特征向量尺寸来评估框架的性能.

主要成果:

• DRL框架成功导航了复杂的能源景观,以识别纳米集群中的转基因配置和低能量状态.
• 该模型在各种纳米集群类型和大小中表现出了显著的适应性和持续的效率.
• 框架的性能保持稳健,即使随着特征向量尺寸的增加.

结论:

• 深度强化学习 (DRL) 提供了一种强大而可适应的方法,用于在纳米集群中有效的全球最小搜索.
• 这种新的DRL框架代表了纳米材料在材料科学中的发现和优化方面的重大进步.
• 该方法显示了加速识别新型功能纳米材料的巨大潜力.