国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

1. Nature封面: 又一個AlphaGo？通過深度強化學習擊敗頂級賽車游戲玩家!

機器學習，頂刊精選：Nature、ACS Catalysis、JMCA、ACS AMI、ES&T等成果

AI的許多潛在應用涉及在與人類交互的同時在物理系統(tǒng)中做出實時決策，賽車是其中的一個極端例子。駕駛員必須執(zhí)行復雜的戰(zhàn)術(shù)操作以超越或阻擋對手，同時在其牽引力限制下駕駛車輛。賽車模擬，例如PlayStation游戲Gran Turismo，忠實地再現(xiàn)了真實賽車的非線性控制挑戰(zhàn)，同時還包含了復雜的多智能體交互。

在此，索尼AI事業(yè)部Peter R. Wurman等人描述了如何使用無模型、非策略的深度強化學習（deep RL）來構(gòu)建冠軍級別的賽車代理并將其命名為 Gran Turismo Sophy（GT Sophy），GT Sophy的開發(fā)是為了與Polyphony Digital公司開發(fā)的高度逼真的PlayStation 4 （PS4）游戲Gran Turismo （GT） Sport （https://www.gran-turismo.com/us/）的世界上最好的游戲玩家競爭。要想取得成功，賽車手必須在四個方面精通：（1）賽車控制，（2）賽車戰(zhàn)術(shù)，（3）賽車禮儀和（4）賽車戰(zhàn)略。作者將最先進的、無模型的深度強化學習算法與混合場景訓練相結(jié)合，以學習一種將卓越的速度與令人印象深刻的策略相結(jié)合的集成控制策略。此外，作者構(gòu)建了一個獎勵函數(shù)，使GT Sophy能夠在遵守賽車的重要但未明確規(guī)定的體育道德規(guī)則的同時具有競爭力。

圖1. 碰撞懲罰和本項目中其他關(guān)鍵設計選擇的影響

接下來，作者通過在三輛賽車和賽道組合上與頂級人類玩家競爭來展示GT Sophy，這些賽車和賽道組合構(gòu)成了不同的賽車挑戰(zhàn)。第一條賽道Dragon Trail Seaside（Seaside），使用的是一款高性能公路車。在第二條賽道Lago Maggiore GP（Maggiore），使用的車相當于國際汽車聯(lián)合會（FIA）的GT3級賽車。第三場也是最后一場比賽，在以舉辦勒芒24小時耐力賽而聞名的Circuit de la Sarthe ?（Sarthe）舉行。這場比賽的特色是使用Red Bull X2019 Competition賽車，其速度可超過300 km h^-1。盡管缺乏戰(zhàn)略頭腦，但在贏得所有4位人類車手比賽的過程中，GT Sophy在上述四個技能領(lǐng)域中的前三個方面表現(xiàn)出了顯著的進步。

圖2. GT Sophy與人類頂級玩家的比賽結(jié)果

Outracing champion Gran Turismo drivers with deep reinforcement learning, Nature 2022. DOI: 10.1038/s41586-021-04357-7

2. ACS Catalysis: 機器學習+第一性原理揭示Re/Cs協(xié)同促進Ag催化劑上的乙烯環(huán)氧化機制

Re和Cs共同促進Ag催化劑導致環(huán)氧乙烷（EO）選擇性高于單獨使用任何一種促進劑所能達到的選擇性。然而，這種協(xié)同促進背后的原子和電子機制仍不清楚。

在此，新加坡科技研究局化學與工程科學研究所Armando Borgna及高性能計算研究所Jia Zhang等人結(jié)合了實驗、機器學習（ML）加速分子動力學（MD）模擬及原子催化劑模型的幾何和電子特性的第一性原理表征，以了解實驗觀察到的Re和Cs促進劑對Ag催化劑上的乙烯環(huán)氧化的協(xié)同效應。

通過構(gòu)建結(jié)構(gòu)-選擇性關(guān)系，作者揭示了由Re和Cs共同促進實現(xiàn)的高EO選擇性可能是由于幾何和電子效應。首先，ReO₄*充當分子間隔物將Cs*均勻分散在整個表面，從而最大限度地提高Cs的促進作用并防止CsCl鹽的形成。其次，結(jié)合吸電子ReO₄*和給電子Cs* 可以實現(xiàn)從促進劑到催化劑的最佳電荷轉(zhuǎn)移量。這可以防止形成促進EO異構(gòu)化的過度親電Ag中心和燃燒乙烯的過度親核O*。因此，由促進劑轉(zhuǎn)移到催化劑上的電荷是EO選擇性的一個可能描述。

圖1. 用于ML加速MD模擬的主動學習算法的示意圖

非均相催化系統(tǒng)可能非常復雜，合金催化劑、不同載體和多種促進劑的使用只是使這些系統(tǒng)難以使用第一性原理計算建模的一些因素，尤其是由于在巨大的配置空間中確定現(xiàn)實的原子催化劑模型的成本過高。因此，這項研究提出的通用框架可以在低成本但高度準確的機器學習原子間勢能（ML-IAP，即以ML方法擬合第一性原理數(shù)據(jù)的勢能，使其能夠以低第一性原理計算成本實現(xiàn)高準確性）的幫助下快速定位基態(tài)配置，這可能是解決這個問題并進一步了解復雜催化系統(tǒng)（如溶劑化電催化劑和負載納米粒子）的第一步，以用于許多其他工業(yè)感興趣的反應。

圖2. 獲取和表征真實催化劑模型的計算工作流程

Unraveling the Synergistic Effect of Re and Cs Promoters on Ethylene Epoxidation over Silver Catalysts with Machine Learning-Accelerated First-Principles Simulations, ACS Catalysis 2022. DOI: 10.1021/acscatal.1c05419

3. JMCA: 機器學習輔助高通量篩選基于過渡金屬單原子的HER電催化劑

碳基過渡金屬（TM）單原子催化劑（SAC）在電化學水分解和H₂生產(chǎn)方面顯示出巨大潛力。鑒于二維（2D）材料被廣泛用于可持續(xù)能源轉(zhuǎn)換和存儲應用，針對各種2D材料優(yōu)化SAC非常重要。

在此，韓國蔚山國立科學技術(shù)院（UNIST）Kwang S. Kim, Geunsik Lee等人使用DFT和ML框架相結(jié)合的方法，強調(diào)了合理設計TM-SAC的新視角。研究表明，在適當?shù)幕祝℅-C₃N₄、二維π共軛聚合物、吡啶石墨烯和具有單/雙空位缺陷的六方氮化硼）中摻雜單型或雙型非金屬（B，N＆P）可以顯著提高其析氫反應（HER）活性和穩(wěn)定性。為了揭示結(jié)構(gòu)-活性關(guān)系，作者構(gòu)建了各種電子和幾何描述符。對于HER活性的預測，作者使用H吸附收斂幾何來創(chuàng)建庫侖矩陣元素。

除此之外，還采用了確定獨立篩選和稀疏算子（SISSO）方法來創(chuàng)建更多的特征空間?；贛L分析，作者發(fā)現(xiàn)極端隨機樹（Extremely randomized trees）算法對E_stab和U_diss的預測分別顯示了0.87和0.93的最佳ROC-AUC值，而CatBoost回歸模型在預測HER活性方面性能最佳（RMSE=0.18 eV，R²=0.88）。

圖1. 用于預測耐用高性能電催化劑的ML分析

此外，通過DFT分析，作者闡明了配位環(huán)境和電荷轉(zhuǎn)移行為對HER不同反應機制的活化能值的潛在依賴性。在364種催化劑中，作者發(fā)現(xiàn)了20種最有前途的催化劑，它們對HER表現(xiàn)出優(yōu)異的穩(wěn)定性和反應活性。特別是Pd@B₄、Ru@N₂C₂、Pd@B₂C₂、Pt@B₂N₂、Ir@h-BN、Fe@C₃、Rh@C₃和Pd@2DCP和ML推薦的Fe@P₃、Mn@P₄和Fe @P₄表現(xiàn)出超小量級的HER過電位（-0.01~ -0.03 V），遠優(yōu)于商業(yè)Pt基催化劑。作者相信，該研究建立的基于DFT 的ML框架應該同樣適用于其他2D系統(tǒng)，并促進理論和實驗研究以探索理想的HER催化劑。

圖2. 電子結(jié)構(gòu)與電化學性質(zhì)的相關(guān)性分析

Machine learning assisted high-throughput screening of transition metal single atom based superb hydrogen evolution electrocatalysts, Journal of Materials Chemistry A 2022. DOI: 10.1039/D1TA09878K

4. 南大劉建國/李佳ACS AMI: 機器學習指導有效提高質(zhì)子交換膜燃料電池的Pt利用率

盡管質(zhì)子交換膜燃料電池（PEMFC）已受到關(guān)注，但與膜電極組件（MEA）中的Pt基催化劑相關(guān)的高成本仍然是大規(guī)模應用的巨大障礙。為了解決這一緊迫問題，必須提高MEA中Pt的利用效率。面對眾多相互作用的參數(shù)，為了盡可能降低實驗成本，機器學習（ML）實現(xiàn)這一目標的有效策略。

針對該領(lǐng)域的需求，南京大學劉建國教授、李佳副研究員等人創(chuàng)新性地綜合運用了不同種類的ML算法和一系列黑盒解釋方法，以獲得可靠的定性和定量分析結(jié)果。為保證實驗數(shù)據(jù)集和ML模型的高可靠性，PEMFC性能數(shù)據(jù)（共126條）來自自身實驗室并對應不同的MEA制備和測試參數(shù)。

然后，作者為精確預測模型訓練9種不同的ML算法。在超參數(shù)優(yōu)化后，功率密度和Pt利用率的最優(yōu)預測模型在測試集上可以實現(xiàn)R²= 0.973/0.968 的高精度。為了在更高維度的參數(shù)空間中使用更多參數(shù)進行更有效的分析，作者使用選定的核心特征訓練的最佳預測模型與遺傳算法（GA）相結(jié)合來替代真實實驗。

圖1. ML模型的特征重要性總結(jié)

通過定量參數(shù)掃描，可以快速得到基于GA結(jié)果的溶劑、催化劑負載量、攪拌方式、固體含量和超聲噴涂流速的最佳參數(shù)組合。ML的預測得到了實驗結(jié)果的有力驗證，最終的MEA產(chǎn)品在0.6 V的單電池和0.15 mg cm^-2的超低總負載下實現(xiàn)了0.147 gPt kW^-1的Pt利用率和1.02 W cm^-2的功率密度。除了取得優(yōu)異的性能外，這項工作更重要的成就是展示了如何在工業(yè)過程中充分利用ML以低成本進行正交實驗從而快速優(yōu)化多個復雜參數(shù)。結(jié)合解釋方法，具有高預測精度的ML模型可以快速提供工業(yè)過程的多參數(shù)建議，從而以極低的實驗成本完成高價值目標。

圖2. 實驗驗證ML模型預測的類似趨勢

Effectively Increasing Pt Utilization Efficiency of the Membrane Electrode Assembly in Proton Exchange Membrane Fuel Cells through Multiparameter Optimization Guided by Machine Learning, ACS Applied Materials & Interfaces 2022. DOI: 10.1021/acsami.1c23221

5. 姜建文教授ACS AMI: 機器學習預測+高通量篩選用于滲透蒸發(fā)分離的聚合物膜

滲透蒸發(fā) （PV）被認為是一種強大的基于膜的液體混合物分離技術(shù)。然而，PV膜的發(fā)展在很大程度上受到缺乏能夠可靠地預測其性能的適當模型的阻礙。

在此，新加坡國立大學姜建文教授等人收集了一個包含681個數(shù)據(jù)樣本的實驗數(shù)據(jù)集，其中包括16種聚合物和6種有機溶劑，適用于各種操作條件下的各種水/有機混合物。然后，開發(fā)了兩種類型的機器學習（ML）模型，用于預測和高通量篩選用于PV分離的聚合物膜。第一類以聚合物和溶劑的固有性質(zhì)（聚合物的水接觸角和溶劑的溶解度參數(shù)）為總描述符，準確預測PV分離性能（總通量和分離因子）。第二種類型基于聚合物和溶劑的分子表示，其準確性與第一種類型相當，并應用于篩選約100萬個用于水/乙醇混合物PV分離的假設聚合物。PV分離指數(shù)的閾值為 700，有20種聚合物入圍，最終確定10個有希望用于水/乙醇混合物PV分離的聚合物材料。

圖1. 基于總描述符和分子表示的ML模型

這項研究證明了已開發(fā)的ML模型對PV分離的預測能力，但在一些方面還需要進一步改進：（1）當未來有更多樣化的數(shù)據(jù)集可用時將能夠探索更大的化學空間，可以進一步增強ML模型的預測能力。（2）數(shù)據(jù)集中只考慮實驗中的選擇性層，在某些情況下，支撐層對PV分離性能也很重要。此外，機械和化學穩(wěn)定性等其他特性也可能影響長期性能。（3）確定了幾種假設的聚合物用于水/乙醇混合物的PV分離，但其實際性能只能通過實驗來檢驗。（4）為了促進實際應用，應該生成和收集更多工業(yè)規(guī)模的PV數(shù)據(jù)?？傊?，本研究中開發(fā)的ML模型將有助于優(yōu)化操作條件并加速開發(fā)用于高性能PV分離的新型聚合物膜。

圖2. ML預測數(shù)據(jù)和實驗數(shù)據(jù)之間的比較

Machine Learning-Enabled Prediction and High-Throughput Screening of Polymer Membranes for Pervaporation Separation, ACS Applied Materials & Interfaces 2022. DOI: 10.1021/acsami.1c22886

6. 陳景文教授ES&T: 基于機器學習的量子化學方法在環(huán)境化學中的潛在應用

近幾十年來，量子化學方法已成為探索化學污染物行為和毒理學的有用工具。機器學習（ML）技術(shù)為量子化學領(lǐng)域帶來了革命性的發(fā)展，這可能有利于研究化學污染物的環(huán)境行為和毒理學。然而迄今為止，基于ML的量子化學方法（ML-QCM）僅很少用于環(huán)境化學研究。

在此，大連理工大學陳景文教授等人總結(jié)了ML-QCMs的最新進展，并重點介紹了其在環(huán)境化學研究中的潛在應用，這是傳統(tǒng)量子化學方法難以實現(xiàn)的。建立基于ML的量子化學模型通常有兩種：基于監(jiān)督學習（I型）和無監(jiān)督學習（II型）的方法。基于描述符的I型方法類似于定量結(jié)構(gòu)活性關(guān)系（QSAR）方法，通常使用神經(jīng)網(wǎng)絡（NN）、支持向量機、高斯過程回歸和核嶺回歸等算法進行訓練。在II型方法中，描述粒子量子態(tài)概率的波函數(shù)（或電子密度）在大多數(shù)情況下可以由具有一些可訓練參數(shù)的NN直接預測。此外，作者總結(jié)了ML-QCMs在環(huán)境化學中的潛在應用包括化學轉(zhuǎn)化（涉及自由基的化學反應、新粒子形成、污染物的非均相反應）、光化學轉(zhuǎn)化、化學品健全管理等。

圖1. ML-QCM在環(huán)境化學研究中的應用

為了促進ML-QCM的使用，應解決以下挑戰(zhàn)：（1）開發(fā)更適合環(huán)境大分子的新型ML-QCM；（2）為了普及ML-QCM，應開發(fā)一些隱藏ML和QCM復雜原理的封裝模型，作為量子化學或ML背景有限的環(huán)境化學家的初始教程；（3）訓練ML模型的速度在很大程度上取決于GPU性能，尖端GPU的價格非常昂貴，限制了ML-QCM的普及；（4）ML-QCM 可以降低計算成本并模擬考慮更多基本元素的更大系統(tǒng)。然而，需要進一步研究以闡明在ML-QCM模擬中應考慮哪些關(guān)鍵要素及如何考慮ML-QCM的其他因素；（5）方法論困境，包括適用領(lǐng)域的表征（進一步研究來檢驗適用域表征方法的有效性）、模型評估（用有缺陷的數(shù)據(jù)集構(gòu)建模型仍然是一個挑戰(zhàn)）和模型解釋（將一個神經(jīng)網(wǎng)絡模型分成幾個具有明確物理/化學意義的小塊）等。

圖2. 基于ML的量子化學模型的I型和II型方法

Potential Application of Machine-Learning-Based Quantum Chemical Methods in Environmental Chemistry, Environmental Science & Technology 2022. DOI: 10.1021/acs.est.1c05970

原創(chuàng)文章，作者：v-suan，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://www.xiubac.cn/index.php/2023/10/15/32d12d8952/

国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

機器學習，頂刊精選：Nature、ACS Catalysis、JMCA、ACS AMI、ES&T等成果

相關(guān)推薦

機器學習，頂刊精選：Nature、ACS Catalysis、JMCA、ACS AMI、ES&T等成果