暖暖直播免费观看,男女24式动态图,亚洲成a人v欧美综合天堂麻豆

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。駕駛員必須執行復雜的戰術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，忠實地再現了真實賽車的非線性控制挑戰，同時還包含了復雜的多智能體交互。

在此，索尼AI事業部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的開發是為了與Polyphony Digital公司開發的高度逼真的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）賽車戰術，（3）賽車禮儀和（4）賽車戰略。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合，以學習一種將卓越的速度與令人印象深刻的策略相結合的集成控制策略。此外，作者構建了一個獎勵函數，使GT Sophy能夠在遵守賽車的重要但未明確規定的體育道德規則的同時具有競爭力。

圖1. 碰撞懲罰和本項目中其他關鍵設計選擇的影響

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成了不同的賽車挑戰。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在上述四個技能領域中的前三個方面表現出了顯著的進步。

圖2. GT Sophy與人類頂級玩家的比賽結果

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協同促進Ag催化劑上的乙烯環氧化機制

Re和Cs共同促進Ag催化劑導致環氧乙烷（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催化劑上的乙烯環氧化的協同效應。

通過構建結構-選擇性關系，作者揭示了由Re和Cs共同促進實現的高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，結合吸電子ReO₄*和給電子Cs* 可以實現從促進劑到催化劑的最佳電荷轉移量。這可以防止形成促進EO異構化的過度親電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據的勢能，使其能夠以低第一性原理計算成本實現高準確性）的幫助下快速定位基態配置，這可能是解決這個問題并進一步了解復雜催化系統（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生產方面顯示出巨大潛力。鑒于二維（2D）材料被廣泛用于可持續能源轉換和存儲應用，針對各種2D材料優化SAC非常重要。

在此，韓國蔚山國立科學技術院（UNIST）Kwang S. Kim, Geunsik Lee等人使用DFT和ML框架相結合的方法，強調了合理設計TM-SAC的新視角。研究表明，在適當的基底（G-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）活性和穩定性。為了揭示結構-活性關系，作者構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）方法來創建更多的特征空間。基于ML分析，作者發現極端隨機樹（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，作者闡明了配位環境和電荷轉移行為對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，作者發現了20種最有前途的催化劑，它們對HER表現出優異的穩定性和反應活性。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表現出超小量級的HER過電位（-0.01~ -0.03 V），遠優于商業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，并促進理論和實驗研究以探索理想的HER催化劑。

圖2. 電子結構與電化學性質的相關性分析

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子交換膜燃料電池的Pt利用率

盡管質子交換膜燃料電池（PEMFC）已受到關注，但與膜電極組件（MEA）中的Pt基催化劑相關的高成本仍然是大規模應用的巨大障礙。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，為了盡可能降低實驗成本，機器學習（ML）實現這一目標的有效策略。

針對該領域的需求，南京大學劉建國教授、李佳副研究員等人創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果。為保證實驗數據集和ML模型的高可靠性，PEMFC性能數據（共126條）來自自身實驗室并對應不同的MEA制備和測試參數。

然后，作者為精確預測模型訓練9種不同的ML算法。在超參數優化后，功率密度和Pt利用率的最優預測模型在測試集上可以實現R²= 0.973/0.968 的高精度。為了在更高維度的參數空間中使用更多參數進行更有效的分析，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）相結合來替代真實實驗。

圖1. ML模型的特征重要性總結

通過定量參數掃描，可以快速得到基于GA結果的溶劑、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組合。ML的預測得到了實驗結果的有力驗證，最終的MEA產品在0.6 V的單電池和0.15 mg cm^-2的超低總負載下實現了0.147 gPt kW^-1的Pt利用率和1.02 W cm^-2的功率密度。除了取得優異的性能外，這項工作更重要的成就是展示了如何在工業過程中充分利用ML以低成本進行正交實驗從而快速優化多個復雜參數。結合解釋方法，具有高預測精度的ML模型可以快速提供工業過程的多參數建議，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分離的聚合物膜

滲透蒸發（PV）被認為是一種強大的基于膜的液體混合物分離技術。然而，PV膜的發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個數據樣本的實驗數據集，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（聚合物的水接觸角和溶劑的溶解度參數）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據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）數據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規模的PV數據。總之，本研究中開發的ML模型將有助于優化操作條件并加速開發用于高性能PV分離的新型聚合物膜。

圖2. ML預測數據和實驗數據之間的比較

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）技術為量子化學領域帶來了革命性的發展，這可能有利于研究化學污染物的環境行為和毒理學。然而迄今為止，基于ML的量子化學方法（ML-QCM）僅很少用于環境化學研究。

在此，大連理工大學陳景文教授等人總結了ML-QCMs的最新進展，并重點介紹了其在環境化學研究中的潛在應用，這是傳統量子化學方法難以實現的。建立基于ML的量子化學模型通常有兩種：基于監督學習（I型）和無監督學習（II型）的方法。基于描述符的I型方法類似于定量結構活性關系（QSAR）方法，通常使用神經網絡（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，描述粒子量子態概率的波函數（或電子密度）在大多數情況下可以由具有一些可訓練參數的NN直接預測。此外，作者總結了ML-QCMs在環境化學中的潛在應用包括化學轉化（涉及自由基的化學反應、新粒子形成、污染物的非均相反應）、光化學轉化、化學品健全管理等。

圖1. ML-QCM在環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：（1）開發更適合環境大分子的新型ML-QCM；（2）為了普及ML-QCM，應開發一些隱藏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。然而，需要進一步研究以闡明在ML-QCM模擬中應考慮哪些關鍵要素及如何考慮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（用有缺陷的數據集構建模型仍然是一個挑戰）和模型解釋（將一個神經網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

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/15/32d12d8952/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

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

相關推薦