Tính toán năng lượng phân hủy của vật liệu sử dụng thuật toán Machine Learning bằng Google Colab.

Abstract

Luận văn trình bày việc ứng dụng học máy (Machine Learning - ML) để khảo sát, dự đoán và tính toán năng lượng phân hủy của vật liệu có cấu trúc tinh thể – một chỉ số quan trọng nhằm đánh giá độ ổn định nhiệt động và khả năng tồn tại của vật liệu trong các điều kiện chế tạo và sử dụng. Việc tính toán năng lượng phân hủy là một bài toán phức tạp trong vật liệu học, đòi hỏi nhiều thời gian và tài nguyên nếu thực hiện bằng các phương pháp truyền thống như mô phỏng DFT. Bằng cách tận dụng khả năng học từ dữ liệu của các thuật toán hiện đại, luận văn hướng đến việc rút ngắn quy trình sàng lọc vật liệu tiềm năng, đồng thời tăng tính chính xác và hiệu quả của các dự đoán. Nền tảng Google Colab được sử dụng để phát triển và huấn luyện mô hình, nhờ khả năng điện toán đám mây và tích hợp dễ dàng với các thư viện như pymatgen (phân tích dữ liệu vật liệu), scikit-learn (dự đoán thống kê), và matplotlib (trực quan hóa kết quả). Dữ liệu đầu vào được lấy từ cơ sở dữ liệu vật liệu lớn như Materials Project, bao gồm thông tin về cấu trúc tinh thể, thành phần nguyên tố, và các đặc tính hóa học. Mô hình ML được xây dựng nhằm học mối quan hệ giữa thành phần và cấu trúc của vật liệu với năng lượng phân hủy của chúng, từ đó hỗ trợ cho việc phát triển vật liệu mới trong các lĩnh vực như năng lượng tái tạo, chất bán dẫn, và pin lithium-ion. Đây là bước tiến quan trọng giúp các nhà nghiên cứu nhanh chóng xác định vật liệu phù hợp, giảm chi phí thử nghiệm, và thúc đẩy đổi mới công nghệ trong ngành khoa học vật liệu.