Обучение росту: управление самосборкой материалов с помощью эволюционного обучения с подкреплением

Мы показываем, что нейронные сети, обученные с помощью эволюционного обучения с подкреплением, способны реализовывать эффективные протоколы молекулярной самосборки. Используя траектории молекулярного моделирования, сети обучаются изменять температуру и химический потенциал, чтобы способствовать сборке заданных структур или выбирать между конкурирующими полиморфами. В первом случае сети качественно воспроизводят результаты ранее известных протоколов, но делают это быстрее и с большей точностью; во втором случае они выявляют ранее неизвестные стратегии, из которых можно извлечь физические закономерности. Эффективны как сети, получающие на вход прошедшее время моделирования, так и сети, использующие микроскопическую информацию о системе, причем последние показывают более высокую эффективность. Использованная нами эволюционная схема проста в реализации и может применяться к широкому кругу экспериментальных примеров самосборки независимо от того, можно ли наблюдать за экспериментом по мере его протекания. Наши результаты получены без какого-либо участия человека, за исключением задания параметра порядка, который необходимо стимулировать, что открывает путь к разработке протоколов синтеза с помощью искусственного интеллекта.