論文の概要: Deep Reinforcement Learning of Transition States
- arxiv url: http://arxiv.org/abs/2011.06700v1
- Date: Fri, 13 Nov 2020 00:22:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 00:37:31.876198
- Title: Deep Reinforcement Learning of Transition States
- Title(参考訳): 遷移状態の深い強化学習
- Authors: Jun Zhang, Yao-Kun Lei, Zhen Zhang, Xu Han, Maodong Li, Lijiang Yang,
Yi Isaac Yang and Yi Qin Gao
- Abstract要約: 化学反応機構を解明するための機械学習手法(RL$ddag$)を提案する。
RL$ddag$では、化学反応の遷移状態の位置をゲームとして定式化し、仮想プレイヤーが反応物と生成物を繋ぐシミュレーション軌跡を撮影するように訓練する。
RLddagを訓練することで,最小の主観バイアスを有する化学反応機構を明らかにすることができることを示す。
- 参考スコア(独自算出の注目度): 9.273944570779141
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Combining reinforcement learning (RL) and molecular dynamics (MD)
simulations, we propose a machine-learning approach (RL$^\ddag$) to
automatically unravel chemical reaction mechanisms. In RL$^\ddag$, locating the
transition state of a chemical reaction is formulated as a game, where a
virtual player is trained to shoot simulation trajectories connecting the
reactant and product. The player utilizes two functions, one for value
estimation and the other for policy making, to iteratively improve the chance
of winning this game. We can directly interpret the reaction mechanism
according to the value function. Meanwhile, the policy function enables
efficient sampling of the transition paths, which can be further used to
analyze the reaction dynamics and kinetics. Through multiple experiments, we
show that RL{\ddag} can be trained tabula rasa hence allows us to reveal
chemical reaction mechanisms with minimal subjective biases.
- Abstract(参考訳): 強化学習 (RL) と分子動力学 (MD) のシミュレーションを組み合わせることで, 自動的に化学反応機構を解明する機械学習手法 (RL$^\ddag$) を提案する。
RL$^\ddag$では、化学反応の遷移状態の位置をゲームとして定式化し、仮想プレイヤーが反応物と生成物を結ぶシミュレーション軌道を撮影するように訓練する。
プレイヤーは、価値推定とポリシー作成の2つの機能を利用して、このゲームに勝つ確率を反復的に改善する。
反応機構は値関数に従って直接解釈できる。
一方, 方針関数は遷移経路の効率的なサンプリングを可能にし, 反応のダイナミクスや速度解析に利用できる。
複数の実験を通じて, rl{\ddag} をタブララサで訓練できることを示し, 主観バイアスを最小に抑える化学反応機構を明らかにした。
関連論文リスト
- Generating High-Precision Force Fields for Molecular Dynamics
Simulations to Study Chemical Reaction Mechanisms using Molecular
Configuration Transformer [8.623754133777805]
本稿では,以前に開発されたグラフニューラルネットワークに基づく分子モデルを用いて,分子モデリングのための高精度力場を訓練する手法を提案する。
このポテンシャルエネルギー関数は計算コストの低い高精度なシミュレーションを可能にし、化学反応のメカニズムをより正確に計算する。
論文 参考訳(メタデータ) (2023-12-31T13:43:41Z) - Machine Learning for Polaritonic Chemistry: Accessing chemical kinetics [0.0]
我々は、密度汎関数理論計算と分子動力学を用いて訓練された機械学習(ML)モデルの組み合わせに基づく枠組みを確立する。
我々は, 1-フェニル-2-トリメチルシリルアセチレンの脱保護反応における強結合, 反応速度定数の変化, エンタルピーおよびエントロピーへの影響を評価した。
我々は、特に運動学の変化に関して、批判的な実験的な観察と質的な一致を見いだす一方で、過去の理論的予測との違いも見いだす。
論文 参考訳(メタデータ) (2023-11-16T10:08:44Z) - Multi-level Protocol for Mechanistic Reaction Studies Using Semi-local
Fitted Potential Energy Surfaces [0.0]
本稿では化学反応機構の定期的な理論的研究のためのマルチスケールプロトコルを提案する。
この手法の性能の重要な側面は、そのマルチスケールな性質であり、これは計算労力を節約するだけでなく、意味のある情報を抽出することを可能にする。
論文 参考訳(メタデータ) (2023-04-03T12:55:29Z) - Simulation of chemical reaction dynamics based on quantum computing [1.9441762996158096]
反応動力学をシミュレートする量子コンピューティングに基づくab initio分子動力学を開発した。
このアプローチを用いてヘッセン行列を計算し、資源を評価する。
以上の結果から,分子構造,性質,反応性を評価できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-03-15T12:49:10Z) - A linear response framework for simulating bosonic and fermionic
correlation functions illustrated on quantum computers [58.720142291102135]
線形反応における応答関数を得るためのリーマン形式は実験に直接関連しない。
量子コンピューティングの文脈において、実験を量子シミュレーションの不可分な部分とする。
ボソニックグリーンとフェルミオングリーンの両方の関数が得られ、これらのアイデアを電荷密度波材料の研究に応用できることを示す。
論文 参考訳(メタデータ) (2023-02-20T19:01:02Z) - Differentiable Programming of Chemical Reaction Networks [63.948465205530916]
化学反応ネットワークは、自然によって使用される最も基本的な計算基板の1つである。
膜によって分離された複数のチャンバーを持つシステムと同様に、よく混合されたシングルチャンバーシステムについて検討した。
我々は、微分可能な最適化と適切な正規化が相まって、非自明なスパース反応ネットワークを発見することを実証した。
論文 参考訳(メタデータ) (2023-02-06T11:41:14Z) - SAM-RL: Sensing-Aware Model-Based Reinforcement Learning via
Differentiable Physics-Based Simulation and Rendering [49.78647219715034]
本稿では,SAM-RL と呼ばれる感性認識モデルに基づく強化学習システムを提案する。
SAM-RLは、センサーを意識した学習パイプラインによって、ロボットがタスクプロセスを監視するための情報的視点を選択することを可能にする。
我々は,ロボット組立,ツール操作,変形可能なオブジェクト操作という3つの操作タスクを達成するための実世界の実験に,我々のフレームワークを適用した。
論文 参考訳(メタデータ) (2022-10-27T05:30:43Z) - DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to
Reality [64.51295032956118]
我々は人型ロボットの手で頑健な操作を行える政策を訓練する。
本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
論文 参考訳(メタデータ) (2022-10-25T01:51:36Z) - DiSECt: A Differentiable Simulator for Parameter Inference and Control
in Robotic Cutting [71.50844437057555]
軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。
シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。
このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
論文 参考訳(メタデータ) (2022-03-19T07:27:19Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳(メタデータ) (2021-11-15T18:50:04Z) - Non-Autoregressive Electron Redistribution Modeling for Reaction
Prediction [26.007965383304864]
反応を1ショットで予測する非自己回帰学習パラダイムを考案する。
任意の電子フローとして反応を定式化し、新しいマルチポインター復号ネットワークで予測する。
USPTO-MITデータセットの実験により、我々の手法は最先端のトップ1の精度を確立した。
論文 参考訳(メタデータ) (2021-06-08T16:39:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。