Q-러닝을 활용한 금속-유기 골격에서의 흡착 예측 최적화

재료 과학에서 기계 학습(ML) 기술의 적용은 재료 연구 및 설계의 속도와 범위를 혁신적으로 변화시켰습니다. 가스 흡착 및 분리에 대한 조절 가능한 특성과 다목적 응용 덕분에 유망한 재료 클래스인 금속-유기 골격(MOFs)의 경우, ML은 방대한 재료 공간을 조사하는 데 도움을 주었습니다. 본 연구는 금속-유기 골격에서의 흡착 예측 모델링을 위해 강화 학습(RL), 특히 Q-러닝과 가우시안 프로세스(GPs)의 통합을 탐구합니다. 우리는 두 가지 다른 보상 지표를 사용하여 메탄 및 이산화탄소 흡착에 대한 훈련 데이터 포인트 선택을 안내하고 예측 모델 성능을 최적화하는 RL 기반 프레임워크의 효과성을 입증합니다. 우리의 결과는 MOFs에서의 흡착 예측을 탐색하는 데 있어 RL의 적응성과 다재다능성을 강조하며, GPs의 통합이 예측 모델링의 견고성과 신뢰성을 강화하는 데 기여함을 보여줍니다.