AdsorbRL：用于逆向催化剂设计的深度多目标强化学习
机器学习
2023-12-06 v1 人工智能
化学物理
摘要
清洁能源转型的一个核心挑战是开发用于低排放技术的催化剂。机器学习在量子化学方面的最新进展极大地加速了催化活性描述符（如吸附能）的计算。在此，我们引入了AdsorbRL，这是一个深度强化学习智能体，旨在给定多目标结合能目标的情况下识别潜在催化剂，并使用Open Catalyst 2020和Materials Project数据集上的离线学习进行训练。我们实验采用Deep Q-Network智能体遍历55种化学元素的所有约160,000种可能的一元、二元和三元化合物空间，其奖励非常稀疏，基于每种吸附质仅已知2,000至3,000种催化剂的吸附能。为了约束动作空间，我们引入了随机边缘遍历，并在已知状态子图上训练单目标DQN智能体，我们发现这使目标结合能平均增强了4.1 eV。我们将此方法扩展到多目标、目标条件学习，并训练DQN智能体以识别对多个同时目标吸附质具有最高（或最低）吸附能的材料。我们实验了目标子采样，这是一种旨在鼓励多目标设置中进行探索的新型训练方案，并展示了所有目标吸附质的吸附能同时改善，平均改善0.8 eV。总体而言，我们的结果表明深度强化学习应用于逆向催化剂设计问题具有巨大潜力。
引用
@article{arxiv.2312.02308,
title = {AdsorbRL: Deep Multi-Objective Reinforcement Learning for Inverse Catalysts Design},
author = {Romain Lacombe and Lucas Hendren and Khalid El-Awady},
journal= {arXiv preprint arXiv:2312.02308},
year = {2023}
}
备注
37th Conference on Neural Information Processing Systems (NeurIPS 2023), AI for Accelerated Materials Design Workshop