遍历化学结构空间的强化学习：优化分子的过渡态与最小能量路径
化学物理
2024-01-09 v1
摘要
近年来，深度学习取得显著进展，在策略游戏等任务上超越人类能力，并已在包括蛋白质折叠在内的复杂领域得到应用。在量子化学领域，机器学习方法主要作为预测工具或借助生成模型的设计辅助手段，而强化学习仍处于早期探索阶段。本工作引入一种适用于多样优化任务的 actor-critic 强化学习框架，例如在特定性质构象空间内搜索具有目标性质的分子结构。作为示例，我们展示了该方案在计算 Claisen 重排反应及若干 SN2 反应最小能量路径上的实现。结果表明，该算法能准确预测最小能量路径从而确定过渡态，因此为使用 actor-critic 方法研究化学反应提供了初步步骤。
引用
@article{arxiv.2310.03511,
title = {Reinforcement learning for traversing chemical structure space: Optimizing transition states and minimum energy paths of molecules},
author = {Rhyan Barrett and Julia Westermayr},
journal= {arXiv preprint arXiv:2310.03511},
year = {2024}
}
备注
30 pages, 10 figures