LuanVan.vnLuận Văn
Gửi thư

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

Khoá luận tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảNguyễn Quốc Hưng
Người hướng dẫnPhạm Thị Bích Thảo
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2025
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

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.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.