Perpustakaan Digital ITB

Penulis menggunakan pembelajaran mendalam dengan Euclidean Neural Networks untuk memprediksi rapat keadaan fonon (PhDOS) dari material FeS heksagonal. Penulis bertujuan untuk memahami dinamika fonon dan pengaruh faktor struktural serta komposisional terhadap sifat termal dan mekanis material. Pengujian dengan ekpansi sel unit dari 1×1×1 hingga 4×4×4 menunjukkan nilai mean square error (MSE) yang sangat rendah dan prediksi puncak PhDOS konsisten pada 320 cm-1 . Modifikasi cacat kekosongan pada FeS juga menunjukkan bahwa peningkatan cacat kekosongan, baik jarak dekat maupun jauh, menyebabkan perubahan signifikan dalam intensitas dan pergeseran puncak, mempengaruhi stabilitas fonon dan konduktivitas termal. Cacat substitusi dengan Tellurium (Te) menurunkan frekuensi puncak fonon hingga 180 cm-1 , sedangkan cacat substitusi dengan Magnesium (Mg) dan Silikon (Si) menunjukkan perubahan minimal, sebaliknya pada Antimon (Sb) dan titanium (Ti) menunjukkan perubahan lebih moderat dalam MSE dan meningkatkan stabilitas termal dan mekanis. Cacat substitusi Tembaga (Cu) mempertahankan puncak pada 320 cm-1 menunjukkan stabilitas mode getaran utama. Pendekatan ini memungkinkan prediksi akurat dan penting untuk pengembangan material dengan sifat yang diinginkan untuk berbagai aplikasi teknologi. Penelitian ini membuka peluang baru dalam desain dan optimasi material untuk kebutuhan industri, terutama dalam konduktivitas termal, stabilitas mekanis, dan interaksi elektron-fonon.