GNoME: AI phát hiện vật liệu mới — 2,2 triệu cấu trúc tinh thể

Một bước nhảy lớn của trí tuệ nhân tạo trong lĩnh vực khoa học vật liệu vừa được công bố: hệ thống do đội ngũ tại DeepMind phát triển đã tạo và sàng lọc hàng triệu cấu trúc tinh thể mới, mở ra hướng đi để rút ngắn thời gian tìm kiếm vật liệu ứng dụng cao. Thay vì dựa hoàn toàn vào thí nghiệm tốn kém, phương pháp này kết hợp dữ liệu lịch sử và mô hình máy học để sinh hàng loạt ứng viên khả thi, sau đó đánh giá độ ổn định của chúng.

GNoME là gì và cách nó hoạt động

GNoME (Graph Networks for Materials Exploration) là một mạng lưới máy học được thiết kế để sinh ra cấu trúc tinh thể mới và ước tính tính ổn định của từng cấu trúc đó. Quy trình bắt đầu từ cơ sở dữ liệu gồm các vật liệu đã biết — trong trường hợp này là khoảng 48.000 mẫu vật liệu được ghi nhận trước đó — rồi sử dụng kiến thức này để tạo ra các cấu trúc chưa từng thấy.

Về mặt tổng quát, hệ thống vận hành theo hai bước chính: tạo đề xuất cấu trúc và đánh giá tính ổn định. Những cấu trúc có dấu hiệu ổn định cao sau đó được lưu lại như ứng viên cho các nghiên cứu tiếp theo, thay vì phải đưa toàn bộ hàng triệu đề xuất vào phòng thí nghiệm kiểm định ngay lập tức.

DeepMind của Google đã khám phá ra 2,2 cấu trúc tinh thể khác nhau.

Quy mô khám phá: con số và ý nghĩa

Theo báo cáo, GNoME đã tạo ra hơn 2 triệu cấu trúc tinh thể mới. Trong số đó, một phần đáng kể được đánh giá có độ ổn định đủ để cân nhắc phát triển tiếp thành vật liệu ứng dụng. Một con số được nêu trong bài là khoảng 380.000 cấu trúc đạt độ ổn định như vậy; trong một mô tả khác, có đề cập tới con số 421.000 tinh thể ổn định. Dù khác nhau về chi tiết, cả hai chỉ ra rằng quy mô ứng viên ổn định do AI sinh ra là rất lớn so với dữ liệu thực nghiệm truyền thống.

Một cách hình dung mức độ đột phá: DeepMind ước tính số lượng vật liệu được xác định nhờ phương pháp này tương đương với kiến thức thực nghiệm tích lũy trong nhiều thế kỷ, nếu so sánh với tốc độ khám phá của thập kỷ vừa qua.

Vì sao tốc độ tìm vật liệu lại được tăng mạnh?

Các phương pháp truyền thống đòi hỏi chuỗi thí nghiệm thử-sai, tốn thời gian và chi phí. GNoME tách quá trình đó bằng cách dùng mô hình để thu hẹp phạm vi ứng viên: thay vì làm hàng nghìn thí nghiệm vật lý, các nhà nghiên cứu có thể tập trung vào những cấu trúc đã qua sàng lọc thuật toán và có triển vọng cao.

Nhờ vậy, thời gian và nguồn lực dành cho nghiên cứu trải nghiệm thực tế có thể giảm đáng kể, đồng thời cho phép đội ngũ khám phá các vùng không gian cấu trúc mà trước đây rất khó tiếp cận bằng cách thủ công.

Những ứng dụng tiềm năng của các tinh thể mới

Các nhà phát triển đề cập đến một số hướng ứng dụng có giá trị kỹ thuật cao. Trong báo cáo có nêu khả năng khai thác các hợp chất mới cho pin mặt trời, pin cho xe điện và thậm chí các vật liệu siêu dẫn phục vụ điện toán hiệu năng cao. Ngoài ra, một số ứng viên có thể đóng vai trò trong việc thiết kế vi chip mô phỏng các kết nối thần kinh nhân tạo — ý tưởng là dùng cấu trúc vật liệu đặc thù để hỗ trợ các kiến trúc điện toán mới.

Những ứng dụng này chưa được thương mại hóa ngay lập tức; thay vào đó, AI cung cấp danh sách ưu tiên để các nhà khoa học thực nghiệm lựa chọn và kiểm tra sâu hơn.

AI GNoME của Google phát hiện được đến 421.000 loại tinh thể vật liệu ổn định mới, vượt trội hơn hẳn các phương pháp tính toán và thí nghiệm của con người đây.

Xác thực thực nghiệm: khi phòng thí nghiệm tự động vào cuộc

Để không chỉ dừng ở danh sách lý thuyết, các nhóm nghiên cứu độc lập đã dùng dữ liệu do GNoME tạo ra để chạy thử nghiệm thực tế. Một ví dụ là đội tại Đại học California, Berkeley và Phòng Thí nghiệm Quốc gia Lawrence Berkeley — họ triển khai một phòng thí nghiệm tự động được hướng dẫn bởi tính toán và máy học để thử nghiệm các hợp chất do AI gợi ý.

Kết quả ban đầu cho thấy tần suất thành công thực nghiệm là rất khả quan: từ 58 hợp chất được chọn để thử, phòng thí nghiệm đã tạo ra 41 hợp chất trong số đó. Con số này tương đương tỷ lệ thành công hơn 70%, cho thấy nhiều gợi ý của GNoME có giá trị thực tiễn.

Mô hình hoạt động của GNoME.

Những hạn chế và câu hỏi còn mở

Dù kết quả ấn tượng, vẫn cần nhận diện giới hạn hiện tại. Mô hình AI dựa vào dữ liệu lịch sử để sinh cấu trúc — nên khuynh hướng, sai lệch trong dữ liệu huấn luyện có thể ảnh hưởng đến các đề xuất. Hơn nữa, đánh giá tính ổn định bằng thuật toán chỉ là bước sàng lọc; xác thực bằng thực nghiệm vẫn là bước quyết định để khẳng định tính khả thi và hiệu năng trong ứng dụng thực tế.

Một thách thức khác là dịch chuyển từ mẫu vật liệu được tổng hợp trong phòng thí nghiệm đến quy mô sản xuất và tích hợp vào thiết bị. Nhiều vật liệu triển vọng có thể gặp khó khăn ở khâu chế tạo, chi phí hoặc tính bền vững nguyên liệu thô.

Ý nghĩa lâu dài đối với nghiên cứu và đổi mới

Việc ứng dụng các hệ thống như GNoME mở ra một phương thức mới để khám phá vật liệu: AI không thay thế thí nghiệm, nhưng làm cho quá trình lựa chọn mục tiêu nghiên cứu hiệu quả hơn. Đây là một thay đổi phương pháp luận — từ tìm kiếm ngẫu nhiên đến khám phá có định hướng dựa trên dữ liệu.

Đối với cộng đồng khoa học, lợi ích rõ ràng là tăng tốc khám phá, giảm chi phí ban đầu và tạo ra nhiều hướng nghiên cứu song song hơn. Đối với ngành công nghiệp, danh sách các vật liệu mới có thể dẫn đến thiết kế sản phẩm với hiệu năng cao hơn hoặc tính năng mới chưa từng có.

6 ví dụ về những loại vật liệu đã được thuật toán AI của Google phát hiện ra và được các nhóm nghiên cứu bên ngoài xác thực bằng những nghiên cứu của riêng họ

Câu hỏi thường gặp (FAQ)

GNoME tạo ra tinh thể mới bằng cách nào?

Mô hình học từ một cơ sở dữ liệu vật liệu đã biết để sinh các cấu trúc mới và sau đó dự đoán tính ổn định của chúng bằng thuật toán, từ đó chọn ra ứng viên ưu tiên cho thử nghiệm thực tế.

Số lượng tinh thể ổn định do AI đề xuất có nghĩa là gì?

Nó biểu thị số cấu trúc mà mô hình cho là có khả năng tồn tại ổn định — những cấu trúc này cần được kiểm chứng thêm bằng các thí nghiệm trong phòng lab để xác định ứng dụng thực tế.

AI có thay thế nhà khoa học vật liệu không?

Không; AI là công cụ hỗ trợ giúp rút ngắn thời gian và hướng dẫn thử nghiệm. Các nhà nghiên cứu vẫn cần thực hiện kiểm chứng thực nghiệm, phân tích lý thuyết sâu hơn và xử lý các vấn đề sản xuất, chi phí, bền vững.

Kết luận

GNoME là một ví dụ điển hình về cách trí tuệ nhân tạo có thể thay đổi quy trình khám phá khoa học: từ việc sinh hàng triệu cấu trúc tới việc cung cấp danh sách ưu tiên có giá trị cho thí nghiệm. Kết quả sơ bộ cùng với các thử nghiệm xác thực cho thấy phương pháp này có thể làm thay đổi tốc độ phát hiện vật liệu ứng dụng cao. Tuy còn nhiều thách thức trước mắt, hướng tiếp cận kết hợp dữ liệu lịch sử, mô hình hóa và phòng thí nghiệm tự động đã chứng minh tiềm năng giúp đẩy nhanh tiến độ nghiên cứu và mở ra nhiều hướng ứng dụng mới.

Để tiếp tục khám phá các khía cạnh lịch sử, vũ trụ học và những câu chuyện khoa học kỳ thú khác liên quan tới mã hóa và vật chứng lịch sử, bạn có thể đọc thêm bài viết về mật mã thời tiết trong chiếc váy cổ năm 1888—một câu chuyện kết nối điện báo, quan sát khí tượng và những manh mối bất ngờ.

Nếu bạn quan tâm tới những hiện tượng trong không gian và các hiện trạng vật lý ảnh hưởng tới đồ vật lịch sử, bài viết nguyên nhân lá cờ Apollo phai màu trên Mặt Trăng phân tích nguyên nhân phai mờ và biến chất của lá cờ do điều kiện môi trường vũ trụ gây ra.

Và khi muốn đổi chủ đề sang sản phẩm thiên nhiên hiếm có với câu chuyện thu hoạch và giá trị kinh tế đặc biệt, hãy xem bài hành trình mật ong Elvish từ hang núi Artvin, nơi mô tả nguồn gốc, lý do quý hiếm và những lưu ý khi tiếp cận loại mật ong này.