使用深度强化学习估计反应能垒

在计算物理、化学和生物学中，研究复杂系统中亚稳态转变事件是重要的课题。

本文利用深度确定性策略梯度算法（DDPG）中的演员-评论者方法，提出了一种高效的转变事件采样算法。

通过对多个基准系统的实证，验证了所提出方法的有效性，包括扩展的Mueller系统和七粒子Lennard-Jones系统。

研究还提出了一种基于强化学习的方法，通过识别化学反应路径上的重要配置，生成集中于转化路径的配置集合。

提出了一种基于高斯过程和最大方差缩减算法的模型基础方法，克服了强化学习中的挑战，并展示了算法的鲁棒性。

引入Lyapunov启发式奖励塑造方法，提升了策略学习的收敛速度和稳定性。

提出了一种基于不稳定动态的潜在流形的强化学习方法，能够从少量数据样本中训练出稳定策略。

利用学习到的动力学模型进行规划，提出使用环境状态转换的能量估计来实现样本有效学习。

深度强化学习在商品交易中的有效性研究表明，该模型在回测中表现优于买入并持有基准。

提出了一种单步估计算法，处理高维状态空间问题，同时保持奖励估计的精度。