Trực quan hóa cấu trúc tinh thể sử dụng thuật toán Machine Learning bằng Google Colab.

Abstract

Luận văn sử dụng thuật toán ML (Machine Learning) trên nền tảng Google Colab, giúp trực quan hóa cấu trúc tinh thể. GNoME (Graph Network of Materials Exploration) là một mô hình ML (Machine Learning) tiên tiến giúp khám phá các vật liệu mới bằng cách sử dụng mạng nơ-ron để dự đoán cấu trúc tinh thể. GNoME giúp tìm kiếm và trực quan hóa các vật liệu có tiềm năng ứng dụng trong nhiều lĩnh vực khác nhau, bao gồm điện tử và năng lượng. Cụ thể hơn, GNoME có thể giúp khám phá vật liệu mới, dự đoán các cấu trúc tinh thể chưa được biết đến trước đây; 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. Ngoài ra, GNoME giúp tăng tốc quá trình nghiên cứu, giúp rút ngắn thời gian thử nghiệm và tối ưu hóa việc phát triển vật liệu mới. Một số phương pháp phổ biến để giảm chiều dữ liệu và hiển thị không gian tinh thể rộng lớn bao gồm PCA, t-SNE, UMAP. PCA (Principal Component Analysis) là một thuật toán giảm số chiều của dữ liệu, giúp biểu diễn dữ liệu một cách đơn giản hơn mà vẫn giữ được thông tin quan trọng. PCA thường được sử dụng để trực quan hóa các tập dữ liệu nhiều chiều bằng cách chiếu xuống không gian 2D hoặc 3D. t-SNE (t-Distributed Stochastic Neighbor Embedding), là một kỹ thuật giảm chiều giúp thể hiện dữ liệu phức tạp theo cách trực quan hơn, bằng cách nhóm các điểm dữ liệu có liên quan lại với nhau. Đây là một phương pháp tốt để trực quan hóa các dữ liệu có cấu trúc cao, chẳng hạn như hình ảnh hoặc dữ liệu sinh học. UMAP (Uniform Manifold Approximation and Projection), là một phương pháp giảm số chiều tiên tiến hơn t-SNE, giúp duy trì tốt hơn mối quan hệ giữa các điểm dữ liệu. UMAP thường nhanh hơn t-SNE và có khả năng giữ lại cấu trúc toàn cục của dữ liệu tốt hơn. Thêm vào đó, thư viện pymatgen cũng được sử dụng để tạo và phân tích cấu trúc tinh thể.