过氧自由基的动力学建模：一种深度强化学习方法
化学物理
2024-04-17 v1 计算工程、金融与科学
机器学习
摘要
对流层臭氧作为一种备受关注的空气污染物，被认为与哮喘、支气管炎和肺功能受损等健康问题有关。过氧自由基与 NO 反应的速率在对流层臭氧的整体生成与消耗中起着关键作用。然而，获取这些反应的全面动力学数据仍具挑战性。确定速率常数的传统方法成本高昂且技术复杂。幸运的是，基于机器学习的模型的出现为获取动力学信息提供了一种资源与时间消耗更低的替代方案。在本研究中，我们利用深度强化学习以极高的准确率预测了速率常数 (\textit{k}) 的范围，在测试集上达到了 100% 的准确率。为了基于过氧自由基的分子结构分析其反应性趋势，我们采用了 51 个全局描述符作为输入参数。这些描述符是利用量子复合 G3B3 方法从过氧自由基优化后的最小能量几何结构中提取的。通过应用积分梯度，我们深入了解了各种描述符对反应速率的重要性。我们通过与现有文献中既定趋势的交叉比较，成功验证并结合背景分析了我们的发现。这些结果为化学领域的开创性进展奠定了坚实基础，其中计算机分析作为驱动创新的灵感源泉。
引用
@article{arxiv.2404.10010,
title = {Kinematics Modeling of Peroxy Free Radicals: A Deep Reinforcement Learning Approach},
author = {Subhadarsi Nayak and Hrithwik Shalu and Joseph Stember},
journal= {arXiv preprint arXiv:2404.10010},
year = {2024}
}