Thanh bên bài viết
Số lượt xem PDF: 26
##plugins.generic.badges.manager.settings.showBlockTitle##
Ứng dụng mô hình máy học trong mô phỏng vật liệu bằng Python trên Google Colab
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu này xây dựng mô hình máy học sử dụng mạng neural nhân tạo để huấn luyện thế tương tác nguyên tử, dựa trên nền tảng máy học từ dữ liệu bởi mô phỏng động lực học phân tử. Mục tiêu là dự đoán năng lượng hình thành của graphene nanoribbon cạnh armchair khuyết một nguyên tử carbon. Thuật toán học sâu được triển khai trên nền tảng Google Colab bằng ngôn ngữ Python.
Từ khóa
Google Colab, máy học, học sâu, mạng neural, Python
Chi tiết bài viết
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Butler, K. T., Davies, D. W., Cartwright, H., Isayev, O., & Walsh, A. (2018). Machine learning for molecular and materials science. Nature, 559(7715), 547–555. https://doi.org/10.1038/s41586-018-0337-2
Hafner, J. (2008). Ab‐initio simulations of materials using VASP: Density‐functional theory and beyond. Journal of computational chemistry, 29(13), 2044-2078. https://doi.org/10.1002/jcc.21057
Jinnouchi, R., Karsai, F., & Kresse, G. (2019). On-the-fly machine learning force field generation: Application to melting points. Physical Review B, 100(1), 014105. https://doi.org/10.1103/PhysRevB.100.014105
Nguyen, T. T., Pham, T. B. T., Nguyen, D. K., Le, N. T., & Vo, K. D. (2025). Thermoelectric properties of penta-InP₅: A first-principles and machine learning study. Journal of Applied Physics, 137(8), 084302. https://doi.org/10.1063/5.0251741
Nguyen, T. T, Vo, T. P, & Ahuja, R. (2018). Tuning electronic transport properties of zigzag graphene nanoribbons with silicon doping and phosphorus passivation. AIP Advances, 8(8), 085123. https://doi.org/10.1063/1.5042071
Schmidt, J., Marques, M. R. G., Botti, S., & Marques, M. A. L. (2019). Recent advances and applications of machine learning in solid-state materials science. npj Computational Materials, 5, 83. https://doi.org/10.1038/s41524-019-0221-0
Shapeev, A. V. (2016). Moment tensor potentials: A class of systematically improvable interatomic potentials. Multiscale Modeling & Simulation, 14(3), 1153–1173. https://doi.org/10.1137/15M1054183
Smidstrup, S., Markussen, T., Vancraeyveld, P., Wellendorff, J., Schneider, J., Gunst, T., ... & Stokbro, K. (2019). QuantumATK: an integrated platform of electronic and atomic-scale modelling tools. Journal of Physics: Condensed Matter, 32(1), 015901. https://doi.org/10.1088/1361-648X/ab4007
Wang, H., Zhang, L., & Han, J. (2018). DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamics. Computer Physics Communications, 228, 178-184. https://doi.org/10.1016/j.cpc.2018.03.016
Yazyev, O. V., & Louie, S. G. (2010). Electronic transport in polycrystalline graphene. Nature Materials, 9(10), 806–809. https://doi.org/10.1038/nmat2830
Zeng, J., Giese, T. J., Zhang, D., Wang, H., & York, D. M. (2025). DeePMD-GNN: A DeePMD-kit Plugin for External Graph Neural Network Potentials. Journal of Chemical Information and Modeling, 65(7), 3154-3160. https://doi.org/10.1021/acs.jcim.4c02441
Zhang, Y., Li, H., & Wang, J. (2022). Various defects in graphene: a review. RSC Advances, 12(24), 15644–15654. https://doi.org/10.1039/D2RA01436J
Zhao, Y., Liu, Z., & Wang, Y. (2022). Effect of Vacancy Defects on the Vibration Frequency of Graphene Nanoribbons. Nanomaterials, 12(5), 764. https://doi.org/10.3390/nano12050764
Zuo, Y., Chen, C., Li, X., Deng, Z., Chen, Y., Behler, J., ... & Ong, S. P. (2020). Performance and cost assessment of machine learning interatomic potentials. Journal of Physical Chemistry A, 124(4), 731-745. https://doi.org/10.1021/acs.jpca.9b08723