AI tìm vật liệu mới bằng cách đoán nhanh tính chất của những tổ hợp nguyên tử chưa ai làm ra, để các nhà khoa học chỉ phải tổng hợp thử những ứng viên đáng thử nhất. Thay vì nấu từng mẫu trong lò, máy có thể sàng lọc hàng triệu cấu trúc tinh thể trên máy tính trong thời gian ngắn, rồi xếp hạng xem cái nào có khả năng bền, dẫn điện tốt hay chứa được nhiều ion lithium.
Hướng này có thật và đang được nhiều phòng thí nghiệm dùng, nhưng cũng là nơi tin tức dễ thổi phồng nhất. Một vật liệu "được AI phát hiện" thường mới chỉ là một dòng trong cơ sở dữ liệu, chưa ai cầm được trên tay. Bài này giải thích quy trình từ máy tính đến lò nung, những gì AI làm tốt, và cách đọc các con số lớn cho đúng.
Vì sao tìm vật liệu mới lại chậm
Gần như mọi công nghệ bạn dùng đều chờ một vật liệu tốt hơn. Pin điện thoại cần vật liệu điện cực chứa nhiều điện mà không phồng. Tấm pin mặt trời cần vật liệu hấp thụ ánh sáng tốt, bền ngoài trời. Ngành hoá chất cần chất xúc tác giúp phản ứng chạy ở nhiệt độ thấp hơn để tiết kiệm năng lượng. Mỗi vật liệu như vậy là một cách sắp xếp nguyên tử cụ thể.
Bảng tuần hoàn có hơn chín mươi nguyên tố có thể dùng được trong thực tế. Ghép ba, bốn nguyên tố với các tỉ lệ khác nhau, rồi xếp chúng theo các kiểu mạng tinh thể khác nhau, số tổ hợp tăng lên con số không thể thử hết trong phòng thí nghiệm. Truyền thống ngành vật liệu vì thế dựa nhiều vào kinh nghiệm, trực giác hoá học và cả may mắn.
Từ những năm 1990 và 2000, phương pháp tính toán lượng tử gọi là lý thuyết phiếm hàm mật độ cho phép tính năng lượng và một số tính chất của tinh thể trên máy tính. Các dự án cơ sở dữ liệu vật liệu mở đã tính sẵn cho hàng trăm nghìn hợp chất. Nhưng mỗi phép tính vẫn tốn nhiều giờ máy cho một cấu trúc, nên không thể tính cho hàng chục triệu ứng viên. Đây là chỗ học máy bước vào.
Quy trình tìm vật liệu có AI tham gia
Các nhóm nghiên cứu làm khác nhau trong chi tiết, nhưng phần lớn đi theo khung dưới đây. Hiểu khung này giúp bạn biết một tin tức đang nói về bước nào.
- Gom dữ liệu: lấy các cấu trúc tinh thể đã biết và tính chất đã tính bằng phương pháp lượng tử hoặc đã đo thật, làm bộ dữ liệu huấn luyện.
- Huấn luyện mô hình: mô hình học máy, thường là loại mạng xử lý cấu trúc dạng đồ thị với nguyên tử là đỉnh và liên kết là cạnh, học cách đoán năng lượng hay tính chất của một cấu trúc mới chỉ trong tích tắc.
- Sinh ứng viên: tạo ra hàng triệu cấu trúc giả định bằng cách thay nguyên tố trong cấu trúc đã biết hoặc dùng mô hình sinh để đề xuất cấu trúc lạ.
- Sàng lọc nhanh: mô hình đoán xem ứng viên nào có thể bền, tức không tự phân huỷ thành các hợp chất đơn giản hơn, và có tính chất mong muốn.
- Tính kiểm lại: những ứng viên tốt nhất được tính lại bằng phương pháp lượng tử chính xác hơn để loại bớt dự đoán sai.
- Tổng hợp thử: nhà hoá học tìm cách làm ra vật liệu trong lò hoặc dung dịch, việc này có thể thất bại ngay cả khi tính toán nói vật liệu bền.
- Đo đặc tính: xác định cấu trúc bằng nhiễu xạ tia X, đo độ dẫn, độ bền, khả năng chứa ion; chỉ đến đây mới được phép tuyên bố đã có một vật liệu mới.
AI tăng tốc mạnh nhất ở bước 2 đến 4. Bước 6 và 7 vẫn là nút cổ chai, và đó là nơi phần lớn công sức, chi phí và thất bại nằm.
Con số "hàng triệu vật liệu mới" nên đọc thế nào
Cuối năm 2023, nhóm DeepMind công bố trên tạp chí Nature một hệ thống tên GNoME, cho biết đã dự đoán khoảng hai triệu cấu trúc tinh thể mới, trong đó vài trăm nghìn được đánh giá là bền. Cùng thời điểm, một nhóm tại Phòng thí nghiệm Quốc gia Lawrence Berkeley giới thiệu A-Lab, phòng thí nghiệm có robot tự tổng hợp vật liệu theo đề xuất của máy tính, báo cáo đã làm ra phần lớn số mục tiêu trong vài tuần.
Những con số này là thật theo nghĩa nhóm tác giả đã tính và công bố, nhưng ngay sau đó một số nhà hoá học chất rắn viết bài phản biện. Họ cho rằng không ít cấu trúc trong danh sách không thật sự mới, là biến thể nhỏ của hợp chất đã biết, hoặc khó có ý nghĩa sử dụng; với A-Lab, có ý kiến đặt câu hỏi về việc phân tích dữ liệu nhiễu xạ tự động đã xác nhận đúng sản phẩm hay chưa. Cuộc tranh luận này là chuyện bình thường của khoa học và chưa khép lại.
Bài học cho người đọc tin là phân biệt ba mức: "được dự đoán là bền trên máy tính", "đã tổng hợp được trong phòng thí nghiệm", và "có tính chất hữu ích đã đo, có thể sản xuất". Từ mức một sang mức ba có thể mất nhiều năm, và phần lớn ứng viên dừng lại ở giữa. Khi đọc "AI phát hiện hàng nghìn vật liệu", hãy tự hỏi tin đang nói ở mức nào.
Máy "nhìn" một tinh thể như thế nào
Một tinh thể muối ăn là các ion natri và clo xếp xen kẽ thành khối lập phương lặp lại mãi. Với máy tính, cách mô tả tự nhiên nhất là một mạng lưới: mỗi nguyên tử là một điểm, mỗi cặp nguyên tử đứng gần nhau được nối bằng một đường, kèm thông tin khoảng cách và loại nguyên tố. Các nhà nghiên cứu gọi đó là đồ thị, và loại mạng thần kinh xử lý đồ thị học cách "truyền tin" giữa các điểm gần nhau qua nhiều vòng.
Sau vài vòng như vậy, mỗi nguyên tử mang trong mình thông tin về hàng xóm gần và cả hàng xóm xa hơn một chút. Mô hình cộng gộp tất cả để đoán một con số cho cả tinh thể, chẳng hạn năng lượng hình thành. Cách biểu diễn này có ưu điểm là không phụ thuộc việc bạn xoay tinh thể hay đánh số nguyên tử theo thứ tự nào, giống như bản chất vật lý của nó.
Điều này cũng giải thích một điểm yếu: mô hình học từ những kiểu sắp xếp nguyên tử đã gặp. Gặp một kiểu sắp xếp rất lạ, hoặc một nguyên tố hiếm có ít ví dụ trong dữ liệu, dự đoán dễ lệch. Vì vậy các nhóm nghiên cứu thường báo kèm độ không chắc chắn và luôn tính kiểm lại bằng phương pháp vật lý cho những ứng viên được chọn.
AI giúp được gì ở từng loại vật liệu
Mỗi lĩnh vực vật liệu có câu hỏi riêng, và AI hợp với một số câu hỏi hơn câu hỏi khác. Bảng dưới là cái nhìn tổng quát ở mức phổ thông, không phải danh sách thành tựu cụ thể.
| Lĩnh vực | Câu hỏi AI hay được giao | Chỗ khó còn lại |
|---|---|---|
| Pin và lưu trữ năng lượng | Vật liệu nào cho ion di chuyển nhanh, chất điện phân rắn nào bền | Pin là cả một hệ; vật liệu tốt riêng lẻ chưa chắc chạy tốt khi lắp chung |
| Pin mặt trời | Vật liệu nào hấp thụ ánh sáng ở dải phù hợp, ít nguyên tố hiếm | Độ bền ngoài trời qua nhiều năm khó dự đoán từ tính toán |
| Chất xúc tác | Bề mặt nào giúp phản ứng chạy dễ hơn | Bề mặt thật thay đổi trong lúc phản ứng, khác bề mặt lý tưởng trên máy |
| Hợp kim | Tổ hợp kim loại nào cứng, nhẹ, chịu nhiệt | Tính chất phụ thuộc mạnh vào cách gia công, không chỉ thành phần |
| Polyme | Chuỗi phân tử nào cho độ dẻo, độ bền mong muốn | Dữ liệu ít đồng nhất, mỗi phòng thí nghiệm đo một kiểu |
Cột cuối giải thích vì sao các nhà vật liệu thường nói AI giúp họ "bớt thử mù" chứ chưa thay được thử nghiệm. Một vật liệu chỉ có giá trị khi làm ra được với chi phí hợp lý và bền trong điều kiện thật.
Những hiểu lầm hay gặp
"AI tạo ra vật liệu." AI đề xuất và xếp hạng ứng viên. Người và máy móc trong phòng thí nghiệm mới tạo ra vật liệu. Cách nói chính xác là "AI gợi ý một cấu trúc, các nhà khoa học tổng hợp được và đo thấy tính chất X".
"Bền trên máy tính là dùng được." Tính toán thường xét vật liệu ở nhiệt độ rất thấp, tinh thể hoàn hảo, không có tạp chất. Ngoài đời vật liệu gặp độ ẩm, nhiệt, ứng suất, và có thể phân huỷ theo những con đường mà mô hình không tính đến.
"Càng nhiều ứng viên càng tốt." Danh sách quá dài mà ít ứng viên thật sự mới hay hữu ích chỉ chuyển gánh nặng sang người phải lọc. Giá trị nằm ở chất lượng xếp hạng, không ở độ dài danh sách.
"Không còn cần nhà hoá học." Chính nhà hoá học biết vật liệu nào khó tổng hợp, nguyên tố nào độc hay hiếm, và khi nào một kết quả nhiễu xạ trông đẹp nhưng sai. Các hệ thống tốt nhất hiện nay kết hợp mô hình với kinh nghiệm của họ.
Học sinh, sinh viên tìm hiểu cùng AI như thế nào
Nếu bạn là học sinh yêu hoá học hay sinh viên năm đầu ngành vật liệu, chatbot có thể giúp bạn hiểu các khái niệm nền như mạng tinh thể, ô mạng cơ sở, năng lượng hình thành, độ bền nhiệt động. Một câu lệnh hữu ích: "Giải thích vì sao một hợp chất có năng lượng hình thành âm vẫn có thể không bền, dùng ví dụ đơn giản cho học sinh lớp 11, chỉ ra chỗ nào bạn đang đơn giản hoá."
Bạn cũng có thể nhờ chatbot so sánh các phương pháp: "So sánh tính toán lượng tử và mô hình học máy trong dự đoán tính chất vật liệu theo bốn tiêu chí: tốc độ, độ chính xác, dữ liệu cần có, rủi ro sai." Sau đó đối chiếu với giáo trình hoặc bài tổng quan trong thư viện trường. Chatbot hay bịa tên bài báo và số liệu trong lĩnh vực này, nên đừng chép trích dẫn từ nó khi chưa tự tìm được bài gốc.
Với đề tài nghiên cứu khoa học học sinh, một hướng vừa sức là tìm hiểu cơ sở dữ liệu vật liệu mở: chọn một nhóm hợp chất, tra tính chất đã được tính sẵn, vẽ đồ thị và đặt câu hỏi về xu hướng. Đề tài kiểu này không cần hoá chất nguy hiểm hay lò nung. Nếu dán dữ liệu của nhóm vào chatbot để nhờ phân tích, hãy bỏ tên thành viên và thông tin trường lớp, và ghi rõ trong báo cáo phần nào AI hỗ trợ theo quy định của cuộc thi.
Câu hỏi thường gặp
AI đã tìm ra vật liệu nào đang được dùng ngoài đời chưa?
Có nhiều báo cáo về vật liệu được học máy gợi ý rồi tổng hợp thành công trong phòng thí nghiệm, nhưng đưa một vật liệu vào sản phẩm đại trà thường mất nhiều năm thử độ bền, quy trình sản xuất và chi phí. Khi gặp tin nói vật liệu do AI tìm đã có trong sản phẩm, hãy kiểm nguồn kỹ.
Vì sao không mô phỏng hết bằng vật lý mà phải dùng AI?
Mô phỏng lượng tử chính xác nhưng tốn rất nhiều thời gian máy cho mỗi cấu trúc. Mô hình học máy học từ kết quả mô phỏng có sẵn và đoán nhanh hơn hàng nghìn lần, đổi lại sai số lớn hơn. Cách làm phổ biến là dùng AI lọc thô, rồi mô phỏng kỹ cho số ít ứng viên.
Mô hình học máy có hiểu hoá học không?
Nó học được các quy luật thống kê từ dữ liệu, đôi khi khớp với quy luật hoá học đã biết, nhưng có thể sai ở vùng xa dữ liệu huấn luyện, ví dụ tổ hợp nguyên tố hiếm gặp. Các nhà nghiên cứu luôn kiểm dự đoán bằng phương pháp độc lập.
Học ngành vật liệu ở Việt Nam có cần biết AI không?
Biết lập trình và thống kê cơ bản ngày càng có ích, vì nhiều nhóm nghiên cứu dùng tính toán và học máy. Nhưng nền tảng hoá học, vật lý chất rắn và kỹ năng thí nghiệm vẫn là cốt lõi. AI là công cụ thêm vào, không thay kiến thức chuyên ngành.
Robot tự làm thí nghiệm vật liệu đã phổ biến chưa?
Một số phòng thí nghiệm lớn trên thế giới đã có hệ thống tự động tổng hợp và đo mẫu, nhưng phần lớn phòng thí nghiệm vẫn làm thủ công hoặc bán tự động. Hệ thống tự động đắt, hợp với những loại thí nghiệm lặp lại nhiều lần theo cùng quy trình.
Có thể tự thử tổng hợp vật liệu ở nhà theo gợi ý của AI không?
Không nên. Tổng hợp vật liệu thường cần nhiệt độ rất cao, hoá chất độc hoặc khí nguy hiểm, và phải làm trong phòng thí nghiệm có thiết bị an toàn và người hướng dẫn. Ở nhà, bạn chỉ nên làm các thí nghiệm an toàn như nuôi tinh thể muối ăn hay đường với người lớn.