稀有扩散动力学的强化学习
统计力学
2022-01-07 v2 机器学习
化学物理
摘要
我们提出一种利用强化学习直接探测稀有分子动力学轨迹的方法。我们考虑在有限时间内被条件化以在构型空间区域间转变的轨迹（如反应事件研究中所相关的那些），以及长时间极限下展现时间积分量的稀有涨落的轨迹（如大偏差函数计算中所相关的那些）。在这两种情况下，强化学习技术被用于优化一个附加力，该力最小化条件化轨迹系综与驱动系综之间的 Kullback-Leibler 散度。在优化后的附加力下，系统将稀有涨落作为典型涨落演化，从而对其在原轨迹系综中发生的可能性给出变分估计。我们提出采用值函数的低方差梯度以提高最优力的收敛性。我们开发的采用这些梯度的方法，针对多种模型系统，实现了对最优力及稀有事件可能性的高效且准确的估计。
引用
@article{arxiv.2105.04321,
title = {Reinforcement learning of rare diffusive dynamics},
author = {Avishek Das and Dominic C. Rose and Juan P. Garrahan and David T. Limmer},
journal= {arXiv preprint arXiv:2105.04321},
year = {2022}
}
备注
23 pages, 8 figures