通过强化学习探测反应通道

May, 2023

Probing reaction channels via reinforcement learning

Senwei Liang, Aditya N. Singh, Yuanran Zhu, David T. Limmer, Chao Yang

TL;DR本研究提出一种基于强化学习的方法，通过在化学反应路径上识别连接反应物和产物状态的重要配置，产生一系列集中于转化路径的配置集合，并将其在神经网络的偏微分方程求解器中有效地应用，从而得到一个受限背向科尔莫戈洛夫方程的近似解，该解编码了反应的机制信息并可用于评估反应速率。

Abstract

We propose a reinforcement learning based method to identify important configurations that connect reactant and product states along chemical reaction paths. By shooting multiple trajectories from these configurations, we can generate an ensemble of configurations that concentrate on t

reinforcement learning chemical reaction paths neural networks partial differential equation solver committor function

发现论文，激发创造

从初始到最终状态的反应路径构建的生成模型

基于神经网络的方法通过迭代过程，根据初始状态的坐标生成了反应路径的近似表示和最终状态的坐标，适用于复杂的有机反应路径并能根据预设条件或随机方式生成反应。

Jan, 2024

具有化学反应网络集成的生成模型的自治学习

微米级袋状互动分子可以自主学习复杂且波动的环境；通过控制理论、机器学习理论、化学反应网络理论和统计物理学，我们开发了一个通用架构，使得广泛类别的化学系统可以自主学习复杂分布。

Nov, 2023

使用深度强化学习计算稀有事件的转变路径

在计算物理、化学和生物学领域中，了解复杂系统中亚稳态之间的转变事件是重要的课题。本文将路径查找任务作为特定路径空间上的成本最小化问题进行了阐述，并利用深度确定性策略梯度算法（DDPG）中的演员 - 评论者方法来解决该问题。所提出的方法利用增强学习的开发和探索性质来高效采样转变事件并计算全局最优的转变路径。通过对包括扩展的 Mueller 系统和七粒子 Lennard-Jones 系统在内的三个基准系统的实证，我们展示了所提出方法的有效性。

Apr, 2024

电子路径的生成模型

描述化学反应为分子中电子的逐步重新分配，通过电子路径预测模型 ELECTRO 可以直接学习从原始反应数据中准确预测反应序列。

May, 2018

强化学习在以量子力学为导向的分子设计中的应用

本文提出了一种新颖的基于强化学习的分子设计方式，使用笛卡尔坐标系来扩展分子结构类型，并利用快速量子化学方法对基本物理性质（如能量）进行直接奖励函数的构建。同时，引入了名为 MolGym 的强化学习环境，在该环境中针对多种具有挑战性的分子设计任务成功展开实验，并在此基础上，构建出一种翻译及旋转不变的状态空间，实现了从零开始的高效学习。

Feb, 2020

自我改进的合成逆合成规划

提出一种以深度神经网络为基础的框架，应对合成目标分子时所需考虑的现实反应和可行建筑基元，以及优化生成的反应路径，实验结果显示该方法提高了反应路径的解决成功率。

Jun, 2021

有机化学反应预测的神经网络

利用神经网络和 SMARTS 变换预测有机反应类型和产物，以提高有机合成规划的效率。

Aug, 2016

双随机基于图的非自回归反应预测

本文提出了一种新的框架来同时满足电子再分配建模的两个基本规则 —— 电子计数规则和对称规则，并通过 Sinkhorn 算法迭代更新注意力映射，以将双重保守约束作为附加信息先验于电子再分配建模中，以此来显著提高非自回归模型的预测性能。

Jun, 2023

从基于代理的 Monte Carlo 模拟数据中学习黑盒和灰盒趋化 PDEs /closures

本文提出了一种机器学习框架来从高精度随机模拟中学习大尺度化学趋化偏微分方程及其闭合问题，使用自适应相关决策根据高维数据选择合适的共同特征来简化该问题并使用机器学习的方式学习宏观大尺度的效应。

May, 2022

基于模型的强化学习控制反应扩散问题

本文探讨了利用自动控制策略解决热传导和疾病传输的初始边界值问题，通过使用一种基于随机策略梯度方法的改进强化学习算法，并引入了两个新的奖励函数来驱动流体的传输，利用反应扩散模型和修改的代理之间的相互作用，成功实现了对这些应用的某些控制，尽管需要假设模型简化。

Feb, 2024