Khảo sát độ ổn định của tinh thể trong môi trường không khí sử dụng thuật toán Machine Learning bằng Google Colab.

Abstract

Luận văn khảo sát độ ổn định của tinh thể trong môi trường không khí dựa trên bộ dữ liệu GNoME và các thư viện hỗ trợ bằng thuật toán Machine Learning trên nền tảng Google Colab. GNoME (Graph Networks for Materials Exploration) là một bộ dữ liệu tinh thể lớn, nó bao gồm khoảng 2,2 triệu cấu trúc tinh thể mới được dự đoán là ổn định hoặc gần ổn định. Dữ liệu được sinh ra bằng cách dùng mô hình học sâu (Deep Learning) huấn luyện trên các dữ liệu DFT (Density Functional Theory) từ Materials Project, sau đó mở rộng ra không gian hóa học rất lớn mà chưa được khám phá thực nghiệm. Cụ thể hơn, GNoME là mô hình Machine Learning giúp khám phá các vật liệu mới bằng cách sử dụng mạng nơ-ron đồ thị để dự đoán cấu trúc ổn định về mặt năng lượng ở nhiệt độ 0 K cho hàng triệu hợp chất vô cơ. Cải thiện hiệu suất vật liệu, tìm ra những dạng vật liệu có tính chất ưu việt, như độ bền cao, dẫn điện tốt hoặc tính chất quang học đặc biệt. Tăng tốc quá trình nghiên cứu, giúp các nhà khoa học rút ngắn thời gian thử nghiệm và tối ưu hóa việc phát triển vật liệu mới. Thông qua việc tính toán năng lượng phân hủy, đoạn mã trong đề tài này giúp xác định khả năng tồn tại của vật liệu khi tiếp xúc với môi trường không khí, từ đó đánh giá ổn định hóa học và tiềm năng ứng dụng của các vật liệu trong điều kiện thực tế.