Python 张量流能用于多元函数的全局极小化吗？

我一直很好奇TF是否可以用于函数的全局优化。例如，它能有效地找到Lennard-Jones势的基态吗？它会比现有的优化方法更好还是更差，比如跳池

我研究的一部分涉及到寻找大型多组分分子的基态。传统的方法（BH，etc.）对此很好，但也相当缓慢。我已经研究了TF，有一些部分似乎足够强大，可以应用于这个问题，尽管我有限的网络搜索似乎没有显示TF对这个问题的任何用途。

训练神经网络的方法只考虑了函数的局部区域。因此，无法保证它会收敛到全局最小值（对于大多数机器学习算法来说，这实际上是很好的；考虑到所考虑的空间的真正高维性，人们通常乐于找到一个好的局部最小值，而不必过多地探索）

话虽如此，我们当然可以使用Tensorflow（或任何此类框架）为全球盆地跳跃方案实施局部优化器，例如如下（简化算法）：

选择一个起点

使用本地优化器获取本地最小值

对这个最小值的坐标施加一些扰动

从这个新位置，重新使用本地优化器来获得下一个本地最小值

保持最佳最小值，从3开始重复

事实上，一些人目前正试图实现这个确切的方案，与TF进行接口。目前的发展和讨论可以在这篇文章中找到