面向一般状态空间的策略引导蒙特卡罗方法：用于玻璃形成混合物的应用

策略引导蒙特卡罗是一种模拟经典相互作用系统的自适应方法。它调整 Metropolis-Hastings 算法的提议分布，以最大化采样效率，采用受强化学习启发的形式化方法。在本工作中，我们首先将策略引导方法扩展到处理一般状态空间，包括离散和连续自由度的混合体；随后将其应用于玻璃形成混合物的几个典型模型。我们评估了一组物理启发的运动，其提议分布通过在策略学习进行优化。与常规蒙特卡罗方法相比，针对添加性软球混合物的优化提议快约两个数量级，但对于已知的 Kob-Andersen 模型 yield 一种更受限制的加速。我们讨论了该方法的当前局限性，并提出了可能的改进方法。