Exploring Nanocluster Potential Energy Surfaces via Deep Reinforcement Learning: Strategies for Global Minimum Search
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The search for global minimum (GM) configurations in nanoclusters is complicated by intricate potential energy landscapes replete with numerous local minima. The complexity of these landscapes escalates with increasing cluster size and compositional diversity. Evolutionary algorithms, such as genetic algorithms, are hampered by slow convergence rates and a propensity for prematurely settling on suboptimal solutions. Likewise, the basin hopping technique faces difficulties in navigating these complex landscapes effectively, particularly at larger scales. These challenges highlight the need for more sophisticated methodologies to efficiently scan the potential energy surfaces of nanoclusters. In response, our research has developed a novel deep reinforcement learning (DRL) framework specifically designed to explore the potential energy surfaces (PES) of nanoclusters, aiming to identify the GM configurations along with other low-energy states. This study demonstrates the framework's effectiveness in managing various nanocluster types, including both mono- and multimetallic compositions, and its proficiency in navigating complex energy landscapes. The model is characterized by remarkable adaptability and sustained efficiency, even as cluster sizes and feature vector dimensions increase. The demonstrated adaptability of DRL in this context underscores its considerable potential in materials science, particularly for the efficient discovery and optimization of novel nanomaterials. To the best of our knowledge, this is the first DRL framework designed for the GM search in nanoclusters, representing a significant innovation in the field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle