MACS：面向晶体结构优化的多智能体强化学习
机器学习
2025-06-05 v1 人工智能
摘要
原子结构的几何优化是计算化学和材料设计中的常见且关键任务。在学习优化范式下，我们提出一种新的多智能体强化学习方法，称为多智能体晶体结构优化(MAC)用于解决周期性晶体结构优化。MAC将几何优化建模为部分可观测马尔可夫游戏，其中原子充当智能体，调整位置以共同发现稳定配置。我们在各种报告晶体材料构成上训练MAC，以获得能成功优化训练构成下的结构以及更大尺度和未见构成的结构的策略，证明其卓越的可扩展性和零样本迁移能力。我们对该方法进行基准测试，针对广泛的前沿优化方法进行测试，证明MAC显著更快地优化周期性晶体结构，计算能量次数更少，失败率最低。
引用
@article{arxiv.2506.04195,
title = {MACS: Multi-Agent Reinforcement Learning for Optimization of Crystal Structures},
author = {Elena Zamaraeva and Christopher M. Collins and George R. Darling and Matthew S. Dyer and Bei Peng and Rahul Savani and Dmytro Antypov and Vladimir V. Gusev and Judith Clymo and Paul G. Spirakis and Matthew J. Rosseinsky},
journal= {arXiv preprint arXiv:2506.04195},
year = {2025}
}