面向无机材料逆向设计的深度强化学习
材料科学
2022-10-24 v1 机器学习
摘要
实现具有期望性质的新颖无机材料的一大障碍，在于无法在材料性质与材料合成之间高效地进行优化。本工作中，我们提出一种用于无机材料逆向设计的强化学习（RL）方法，该方法能够识别出满足指定性质与可合成性约束的有前景化合物。我们的模型在学习电荷与电负性中性等化学准则的同时，保持化学多样性与唯一性。我们展示了一种多目标 RL 方法，能够生成具有目标材料性质（包括形成能以及体模量/剪切模量）以及较低烧结温度合成目标的新颖化合物。利用该方法，模型可预测感兴趣的有前景化合物，同时为无机材料发现提供优化的化学设计空间。
引用
@article{arxiv.2210.11931,
title = {Deep Reinforcement Learning for Inverse Inorganic Materials Design},
author = {Elton Pan and Christopher Karpovich and Elsa Olivetti},
journal= {arXiv preprint arXiv:2210.11931},
year = {2022}
}
备注
NeurIPS AI4Mat Workshop 2022