利用深度强化学习加速晶体结构弛豫
材料科学
2025-02-13 v1
摘要
我们引入了一种用于晶体材料结构弛豫的深度强化学习（DRL）模型，并为此比较了不同类型的神经网络架构和强化学习算法。实验在 Al-Fe 结构上进行，其势能面由 EAM 势生成。我们考察了参数设置对模型性能的影响，并将表现最佳的模型与经典优化算法进行了基准测试。此外，还评估了模型将从小原子系统中学到的相互作用模式推广到更复杂系统的能力。结果表明，与经典优化器相比，DRL 模型有潜力提高结构弛豫的效率。
引用
@article{arxiv.2502.08405,
title = {Acceleration of crystal structure relaxation with Deep Reinforcement Learning},
author = {Elena Trukhan and Efim Mazhnik and Artem R. Oganov},
journal= {arXiv preprint arXiv:2502.08405},
year = {2025}
}