Perpustakaan Digital ITB

Penelitian ini mengeksplorasi kemampuan model Crystal Graph Convolutional Neural Networks (CGCNN) yang sebelumnya hanya digunakan untuk memprediksi sifat tunggal material seperti energi fermi dengan memprediksi sifat material yang data sequential seperti Density of States (DOS). Adapun metode yang digunakan yaitu arsitektur transformer encoder-decoder . Model ini dapat diaplikasikan untuk memprediksi Density of States material baik itu elektronik maupu phonon. Hasil evaluasi menunjukkan bahwa model dengan encoder GAT/UniMP memberikan hasil yang lebih baik untuk prediksi phonon density of states (phDOS) pada metrik R² (0.734), MAE (0.00663), dan MSE (0.0001932). Namun, encoder CGCNN menunjukkan keunggulan pada metrik Wasserstein Distance (WD) dengan skor 0.0592 dan waktu pelatihan model yang lebih cepat (49 menit). seperti halnya dengan phDOS, prediksi elektronik density of states (eDOS) dengan encoder CGCNN memiliki hasil yang lebih bagus pada metriks skor WD yaitu 0.208830 dan waktu pelatihan model yang lebih cepat yaitu 1553.2 menit. Analisis data menunjukkan bahwa material logam dengan jumlah elemen yang lebih sedikit menghasilkan skor WD yang lebih baik, sementara material yang mengandung elemen oksigen menunjukkan performa yang lebih rendah pada beberapa metrik skor. Hasil ini menunjukkan kemampuan CGCNN yang juga dapat digunakan untuk data sequential seperti DOS material sehingga ke depannya dapat digunakan untuk efisiensi dalam desain dan optimasi material.