利用 AI 博弈算法加速共聚物逆向设计
软凝聚态物质
2020-06-08 v1 介观与纳米尺度物理
材料科学
摘要
存在广泛的一类序列问题，例如在蛋白质与聚合物中，可表述为涉及类似计算机游戏决策的启发式搜索算法。Monte Carlo 树搜索（MCTS）等 AI 博弈算法在电脑围棋中的卓越表现后崭露头角，其为决策树，旨在识别策略为达到最终获胜或最优解所应采取的路径（走法）。逆向序列问题的主要挑战在于材料搜索空间极其广阔，且对每条序列的性质评估计算代价高昂。因此，在给定设计周期内通过最小化总评估次数来抵达最优解极为可取。我们证明可借助开发与生长决策树来解决该序列问题，其中树中每个节点均为候选序列，其适应度由分子模拟直接评估。我们将 MCTS 与 MD 模拟接口，并以设计共聚物增容剂这一代表性示例为例，其目标是识别在特定序列下能使两种不相容均聚物间界面能为零的共聚物。我们将 MCTS 算法应用于链长从 10-mer 到 30-mer 的聚合物，其中整体搜索空间从 210（1024）到 230（约十亿）不等。在每种情况下，我们均在数百次评估内识别出导致零界面能的目标序列，展示了 MCTS 在探索具有极广阔化学/材料搜索空间的实际材料设计问题中的可扩展性与效率。我们的 MCTS-MD 框架可轻易推广至若干其他聚合物与蛋白质逆向设计问题，特别是序列-性质数据不可用和/或资源密集的情况。
引用
@article{arxiv.2006.03413,
title = {Accelerating Copolymer Inverse Design using AI Gaming algorithm},
author = {Tarak K Patra and Troy D. Loeffler and Subramanian K R S Sankaranarayanan},
journal= {arXiv preprint arXiv:2006.03413},
year = {2020}
}