深度强化学习优化石墨烯纳米孔以实现高效脱盐
机器学习
2022-01-19 v2 化学物理
摘要
二维纳米材料（如石墨烯）因其卓越的物理性质而被广泛研究。此类材料上纳米孔的结构与几何优化有利于其在真实工程应用（如海水淡化）中的性能。然而，优化过程常涉及大量昂贵且耗时的实验或模拟。本工作中，我们提出一种结合深度强化学习（DRL）与卷积神经网络（CNN）的石墨烯纳米孔优化框架，用于高效水脱盐。DRL 智能体通过决定每个时间步要移除的原子来控制纳米孔生长，而 CNN 预测多孔石墨烯在特定外压下的脱盐性能：水通量与离子截留率。借助来自 CNN 加速脱盐性能预测的同步反馈，我们的 DRL 智能体可在线高效地优化多孔石墨烯。对前景良好的 DRL 设计石墨烯纳米孔的分子动力学（MD）模拟表明，相较于常规圆形纳米孔，它们在水通量更高的同时维持了相当的离子截留率。研究发现 DRL 设计孔半椭圆形且边缘粗糙的几何形状是其高脱盐性能的关键因素。最终，本研究表明 DRL 可成为材料设计的强有力工具。
引用
@article{arxiv.2101.07399,
title = {Deep Reinforcement Learning Optimizes Graphene Nanopores for Efficient Desalination},
author = {Yuyang Wang and Zhonglin Cao and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2101.07399},
year = {2022}
}
备注
Yuyang Wang and Zhonglin Cao contributed equally to this work