BriefGPT - AI 论文速递
·
AdsorbDiff: 条件去噪扩散下的吸附剂定位
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
本文介绍了一种基于深度强化学习的代理机制AdsorbRL，用于识别潜在的催化剂。实验结果显示该方法在催化剂设计问题中具有潜力。
🎯
关键要点
- 清洁能源转型中，开发低排放技术的催化剂是核心挑战。
- 本文介绍了基于深度强化学习的代理机制AdsorbRL，用于识别潜在催化剂。
- AdsorbRL通过离线学习Open Catalyst 2020和Materials Project数据集来实现多目标结合能目标。
- 实验使用Deep Q-Network代理机制，遍历了约160,000种化合物空间。
- 引入随机边遍历以限制行动空间，并在已知状态子图上训练单目标DQN代理机制。
- 目标结合能平均提高了4.1个电子伏特。
- 方法扩展到多目标学习，训练DQN代理机制以找到多个目标吸附物的最佳材料。
- 新的训练方案Objective Sub-Sampling鼓励在多目标设置中进行探索。
- 在所有目标吸附物上同时提高吸附能平均0.8个电子伏特。
- 结果表明深度强化学习在反向催化剂设计问题中具有很大潜力。
➡️
