面向分子动力学优化的强化学习：一种随机庞特里亚金极大值原理方法
最优化与控制
2024-10-22 v2 人工智能
机器学习
泛函分析
摘要
在本文中，我们提出一种新颖的强化学习框架，旨在通过关注整个轨迹而非仅最终分子构型来优化分子动力学。利用随机版庞特里亚金极大值原理（PMP）和 Soft Actor-Critic（SAC）算法，我们的框架有效探索非凸分子能量景观，逃离局部极小值以稳定在低能态。我们的方法在连续状态和动作空间中运行，且不依赖标注数据，使其适用于广泛的分子系统。通过对包括 Bradykinin 和 Oxytocin 在内的六种不同分子进行大量实验，我们展示了相对于其他无监督基于物理的方法（如 Greedy 和基于 NEMO 的算法）具有竞争力的性能。我们方法的适应性及对动态轨迹优化的关注，使其适用于药物发现和分子设计等领域。
引用
@article{arxiv.2212.03320,
title = {Reinforcement Learning for Molecular Dynamics Optimization: A Stochastic Pontryagin Maximum Principle Approach},
author = {Chandrajit Bajaj and Minh Nguyen and Conrad Li},
journal= {arXiv preprint arXiv:2212.03320},
year = {2024}
}
备注
Accepted to the International Conference on Neural Information Processing (ICONIP) 2024. To be published in Springer-Nature Communications in Computer and Information Science (CCIS) Series