Nghiên cứu này trình bày việc phát triển và ứng dụng các thế tương tác nguyên tử học máy  dựa trên mạng neuron cho việc mô phỏng các vật liệu hai chiều: Germanene đơn lớp, MoS₂ đơn lớp và dị cấu trúc Ge/MoS₂. Dữ liệu mô phỏng từ lý thuyết phiếm hàm mật độ (DFT) được sử dụng để huấn luyện các mô hình học máy thông qua bộ công cụ DeePMD-kit nhằm dự đoán năng lượng hình thành và lực nguyên tử. Kết quả cho thấy phương pháp học máy có khả năng dự đoán chính xác giản đồ năng lượng toàn phần của hệ, ngay cả khi dữ liệu huấn luyện bị giới hạn. Tuy nhiên, các dự đoán về lực nguyên tử tuy đạt độ chính xác tương đối nhất là trong các tính toán trạng thái phonon của hệ. Các cấu hình mạng neuron tối ưu đã được xác định cho từng hệ vật liệu, giúp cải thiện hiệu suất học máy. Kết quả nghiên cứu này khẳng định tiềm năng của học máy, đặc biệt là các mô hình học sâu, trong việc tăng tốc mô hình hóa nhiệt động học của các dị cấu trúc 2D với chi phí tính toán thấp hơn đáng kể so với phương pháp lý thuyết phiếm hàm mật độ. Ngoài ra, nghiên cứu cũng nhấn mạnh sự cần thiết của các tập dữ liệu đa dạng hơn nhằm nâng cao độ tin cậy trong dự đoán lực cho các mô phỏng động lực học.