适应性分配蒙特卡洛样本,以高效,多真实性计算选金属有机框架

科学领域:

• 计算材料科学科学 计算材料科学
• 化学工程是化学工程的重要组成部分.
• 强化学习的应用 强化学习的应用

背景情况:

• 对大型金属有机框架 (MOF) 的选对于气体传感,净化和捕获等应用至关重要.
• 预测MOF属性,例如吸附剂的亨利系数,通常涉及计算密集的蒙特卡洛 (MC) 模拟.
• 当前的方法需要大量的计算资源,可能无法有效地识别表现最佳的MOF.

研究的目的:

• 开发和评估适应性算法,以根据它们的亨利系数有效选MOF.
• 从强化学习中利用top-K臂的识别来优化MC模拟中的吸附物插入.
• 为了降低计算成本并提高在固定模拟预算下识别高性能MOF的准确性.

主要方法:

• 应用了top-K臂识别算法 (连续减半,连续接受和拒绝,缩小探索) 来指导MC模拟.
• 在候选MOF中开发了一个数据驱动的,对吸附剂插入的顺序分配策略.
• 实施了一种多忠度选方法,可以自适应地增加模拟忠度.
• 使用 (Xe) 作为吸附剂来选大约300个MOF的顶级K亨利系数.

主要成果:

• 自适应插入算法显著减少了简单的遗憾 (2-3倍),并提高了顶级K MOF子集的准确性.
• 实现了~60%的计算成本降低,以识别5%以下错误的顶级K MOF.
• 证明了适应性分配可以规避为选决策使用手工制作的MOF特征的需求.

结论:

• 顶级K臂识别算法通过MC模拟提供了一种通用和高效的材料选方法.
• 这种适应性策略在使用高准确度 (例如,ab initio) 计算用于财产预测时特别有益.
• 拟议的方法提高了计算效率,使得可以更快地发现用于天然气相关应用的材料.