深度强化学习用于识别纳米集群的全球最小值
Muhammad Usman1,2, Muhammad Umar Farooq1,2, Fuyi Chen1,2
1State Key Laboratory of Solidification Processing, Northwestern Polytechnical University, Xi'an 710072, People's Republic of China.
Nanotechnology
|July 31, 2025
概括
一种新的深度强化学习 (DRL) 方法有效地预测了稳定的纳米集群结构. 这种方法确定了最稳定的Pt13配置和25种低能异构体,推进了纳米集群研究.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 纳米技术纳米技术
背景情况:
- 预测稳定的纳米集群结构是具有挑战性的,因为复杂的潜在能量表面 (PES).
- 有效地导航这些表面对于发现新材料至关重要.
研究的目的:
- 开发和验证一个深度强化学习 (DRL) 框架,用于预测稳定的纳米集群结构.
- 为了确定-13 (Pt13) 纳米集群的全球最小和低能异构体.
主要方法:
- 采用了新的DRL框架来扫描PES并识别稳定的配置.
- DRL代理人学会了使用奖励函数来生成能量有利的结构.
- 用密度函数理论 (DFT) 的计算来确认结构稳定性和电子性质.
主要成果:
- DRL框架成功地确定了具有二元正面 (Ih) 对称性的最稳定的Pt13纳米集群.
- 发现了Pt13的25种不同的低能异构体.
- DFT的计算证实了负的凝聚能,表明热力学稳定性在300 K.
- 电子特性表明Pt13是一种高度活跃的纳米催化剂.
结论:
- 该DRL框架有效地导航复杂的能源景观用于纳米集群结构预测.
- 这种方法为优化纳米集群和发现新材料提供了强大的方法.
- 该研究通过对Pt10和Pt18纳米集群进行测试来证明DRL的适应性.
