MACS: Multi-Agent Reinforcement Learning for Optimization of Crystal Structures

要約

原子構造のジオメトリ最適化は、計算化学および材料の設計において一般的かつ重要なタスクです。
パラダイムを最適化する学習に続いて、周期的な結晶構造の最適化に対処するために、マルチエージェントクリスタル構造最適化（MACS）と呼ばれる新しいマルチエージェント補強学習方法を提案します。
Macは、ジオメトリの最適化を部分的に観察可能なマルコフゲームとして扱います。これは、Atomsが安定した構成を集合的に発見するために位置を調整するエージェントです。
報告された結晶材料のさまざまな構成にわたってMACを訓練して、トレーニング構成から構造を最適化するポリシーと、より大きなサイズと目に見えない組成物の構造を正常に最適化し、その優れたスケーラビリティとゼロショット転送可能性を確認します。
幅広い最先端の最適化方法に対してアプローチをベンチマークし、Macが周期的な結晶構造を大幅に速く最適化し、エネルギー計算が少なく、故障率が最も低いことを示しています。

要約(オリジナル)

Geometry optimization of atomic structures is a common and crucial task in computational chemistry and materials design. Following the learning to optimize paradigm, we propose a new multi-agent reinforcement learning method called Multi-Agent Crystal Structure optimization (MACS) to address periodic crystal structure optimization. MACS treats geometry optimization as a partially observable Markov game in which atoms are agents that adjust their positions to collectively discover a stable configuration. We train MACS across various compositions of reported crystalline materials to obtain a policy that successfully optimizes structures from the training compositions as well as structures of larger sizes and unseen compositions, confirming its excellent scalability and zero-shot transferability. We benchmark our approach against a broad range of state-of-the-art optimization methods and demonstrate that MACS optimizes periodic crystal structures significantly faster, with fewer energy calculations, and the lowest failure rate.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google