利用深度强化学习调控原子转移自由基聚合的分子量分布
化学物理
2018-03-23 v3
摘要
我们设计了一种新技术，用于在原子转移自由基聚合（ATRP）中控制聚合物分子量分布（MWDs）的形状。该技术利用了基于仿真的无模型强化学习（RL）与 ATRP 数值仿真两方面的最新进展。我们构建了 ATRP 仿真，使 RL 控制器可在反应过程中持续加入化学试剂。该 RL 控制器结合了全连接与卷积神经网络架构，并基于 ATRP 反应的当前状态做出决策。初始未训练的控制器导致终态 MWD 具有较大变异性，使 RL 算法得以探索广阔的搜索空间。当使用 actor-critic 算法训练后，RL 控制器能够发现并优化控制策略，从而得到多种目标 MWD。目标 MWD 包括不同宽度的高斯分布，以及双峰分布等更多样形状。所学控制策略具有鲁棒性，并可迁移至相似但不完全相同的 ATRP 反应设置，即便存在仿真噪声亦然。我们认为本工作是采用现代人工智能技术合成新型功能聚合物材料的概念验证。
引用
@article{arxiv.1712.04516,
title = {Tuning the Molecular Weight Distribution from Atom Transfer Radical Polymerization Using Deep Reinforcement Learning},
author = {Haichen Li and Christopher R. Collins and Thomas G. Ribelli and Krzysztof Matyjaszewski and Geoffrey J. Gordon and Tomasz Kowalewski and David J. Yaron},
journal= {arXiv preprint arXiv:1712.04516},
year = {2018}
}
备注
18 pages, 14 figures, 2 tables