通过生成模型的强化学习发现材料微结构优化机制
材料科学
2022-02-23 v1 介观与纳米尺度物理
摘要
为优化功能特性并潜在地发现新颖行为而进行的材料结构设计是材料科学中的基石问题。在许多情况下，支撑材料功能的微结构模型是可获得且被充分理解的。然而，通过微结构工程优化平均特性常导致组合学上难解的问题。在此，我们探索使用强化学习（RL）进行微结构优化，以发现增强功能背后的物理机制。我们阐明，RL 能在二维离散 Landau 铁电模拟器中提供对感兴趣特性驱动机制的见解。有趣的是，我们发现若奖励被设定为偏好物理上不可能的任务，则会出现非平凡现象，我们通过奖励 RL 智能体将极化矢量旋转至能量不利位置来予以说明。我们进一步基于所学智能体策略的分析发现，诱导极化旋度的策略可能是非直观的。本研究表明，RL 是一种用于材料设计优化任务及更好理解微结构模拟动力学的有前景的机器学习方法。
引用
@article{arxiv.2202.10988,
title = {Discovering mechanisms for materials microstructure optimization via reinforcement learning of a generative model},
author = {Rama K. Vasudevan and Erick Orozco and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2202.10988},
year = {2022}
}
备注
5 figures