ChemGymRL：面向数字化学的强化学习交互式框架
机器学习
2023-05-24 v1 化学物理
摘要
本文提供了一个模拟实验室，用于将强化学习（RL）应用于化学发现。由于RL相当依赖数据，在真实世界中通过采取行动“即时”训练智能体既不可行又可能存在危险。此外，化学处理与发现所涉及的挑战在常见的RL基准中并不多见，因而提供了丰富的研究空间。我们基于标准Open AI Gym模板，引入了一套高度可定制且开源的RL环境ChemGymRL。ChemGymRL支持一系列相互连接的虚拟化学实验台，RL智能体可在其中操作与训练。本文介绍并详述了这些实验台，以知名化学反应作为示例，并在每个实验台中训练了一组标准RL算法。最后，我们讨论并比较了若干标准RL方法的性能，同时列出了未来工作方向，作为ChemGymRL进一步开发与应用的前景。
引用
@article{arxiv.2305.14177,
title = {ChemGymRL: An Interactive Framework for Reinforcement Learning for Digital Chemistry},
author = {Chris Beeler and Sriram Ganapathi Subramanian and Kyle Sprague and Nouha Chatti and Colin Bellinger and Mitchell Shahen and Nicholas Paquin and Mark Baula and Amanuel Dawit and Zihan Yang and Xinkai Li and Mark Crowley and Isaac Tamblyn},
journal= {arXiv preprint arXiv:2305.14177},
year = {2023}
}
备注
19 pages, 13 figures, 2 tables