基于概率强化学习的量子材料预测合成
材料科学
2020-09-16 v1 机器学习
化学物理
摘要
预测性材料合成是实现新功能与量子材料的主要瓶颈。当前有前景材料的合成策略通过耗时的试错方法确定，且尚无已知的预测性方案来设计新材料的合成参数。我们利用强化学习预测典型量子材料——半导体单层 MoS 通过化学气相沉积合成的最优合成时序，即温度与反应物浓度等反应条件的时间序列。该预测性强化学习智能体与深度生成模型耦合，以捕获 CVD 合成过程中作为时变合成条件函数的合成 MoS 的结晶度与相组成。该模型在 10000 次计算合成模拟上训练，成功学习了化学反应起始的阈值温度与化学势，并预测了用于制备充分硫化、结晶且相纯 MoS 的新合成时序，经计算合成模拟验证。该模型可扩展至预测包括多相异质结构在内的复杂结构的合成剖面，并能够预测反应系统的长时间行为，远超用于训练模型的分子动力学模拟域，使这些预测直接与实验合成相关。
引用
@article{arxiv.2009.06739,
title = {Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement Learning},
author = {Pankaj Rajak and Aravind Krishnamoorthy and Ankit Mishra and Rajiv K. Kalia and Aiichiro Nakano and Priya Vashishta},
journal= {arXiv preprint arXiv:2009.06739},
year = {2020}
}