过渡态的深度强化学习
化学物理
2021-03-19 v1 机器学习
摘要
结合强化学习（RL）与分子动力学（MD）模拟，我们提出了一种机器学习方法（RL）以自动揭示化学反应机理。在RL中，定位化学反应的过渡态被构建为一个博弈，其中训练一个虚拟参与者发射连接反应物与产物的模拟轨迹。该参与者利用两个函数，一个用于价值估计，另一个用于策略制定，以迭代地提高赢得该博弈的机会。我们可直接依据价值函数解释反应机理。同时，策略函数实现了过渡路径的高效采样，可进一步用于分析反应动力学与动力学。通过多个实验，我们展示了RL可从空白状态（tabula rasa）训练，从而让我们以最小主观偏差揭示化学反应机理。
引用
@article{arxiv.2011.06700,
title = {Deep Reinforcement Learning of Transition States},
author = {Jun Zhang and Yao-Kun Lei and Zhen Zhang and Xu Han and Maodong Li and Lijiang Yang and Yi Isaac Yang and Yi Qin Gao},
journal= {arXiv preprint arXiv:2011.06700},
year = {2021}
}
备注
version 1