AI với bước ngoặt tạo ra những vật liệu mới

AI hứa hẹn tạo ra những vật liệu với những tính chất đột phá trong một thời gian ngắn. Nhưng làm thế nào để tận dụng được sức mạnh đó?

Một nguồn sức mạnh mới…

Đầu những năm 2010, các kỹ thuật học máy (machine learning, ML), và rộng hơn là trí tuệ nhân tạo (Artifical Intelligence, AI) bắt đầu được phát triển và ứng dụng trong Khoa học Vật liệu. Công nghệ này đang và sẽ hứa hẹn rút ngắn quá trình dài đằng đẵng, chông gai và đầy rủi ro của việc tạo ra vật liệu mới.

Mặc dù AI đã ra đời cách đây gần nửa thế kỉ nhưng sở dĩ phải chờ đến gần đây người ta mới áp dụng cho khoa học vật liệu được vì nhiều lí do. Thứ nhất, trước năm 2010 có rất ít các cơ sở dữ liệu về vật liệu (materials database) và nếu có thì cũng rất nhỏ. Thứ hai, dữ liệu về vật liệu rất khác với các dữ liệu thông thường, trong nhiều trường hợp tuân theo các bất biến quy định bởi các định luật Vật lý, vì thế không thể sử dụng trực tiếp được với các kỹ thuật AI/ML nguyên bản. Và thứ ba, bản thân các phương pháp AI chưa hẳn sẵn sàng cho các vấn đề của khoa học vật liệu. Trong vòng 10-15 năm gần đây, các vấn đề cơ bản này, cùng với rất nhiều vấn đề quan trọng khác, đã được giải quyết một phần, tạo nên một hệ sinh thái được biết đến với tên tạm dịch ra tiếng Việt (mà người viết chưa hẳn hài lòng) là Tin học Vật liệu (Materials Informatics). Theo hệ sinh thái này (xem hình bên), bắt đầu từ cơ sở dữ liệu mà các nhà khoa học xây dựng từ trước - là “học liệu” nuôi dưỡng và đào tạo các mô hình AI, để tạo ra những vật liệu mới. Để rồi, quá trình thử nghiệm và sản xuất các vật liệu mới này lại quay ngược trở lại bổ sung thêm dữ liệu cho mô hình AI. Vòng tuần hoàn này sẽ liên tục nâng cao năng lực AI và vừa tạo ra các vật liệu mới có tính năng vượt trội chưa từng có.

Hai trong số những vật liệu tiên tiến mà người ta tìm ra gần đây nhờ sự trợ lực của AI có thể kể đến là một dòng vật liệu polymer (PONB-2Me5Cl) có khả năng lưu trữ năng lương gấp 10 lần ở nhiệt độ 2000C so với polymer trên thị trường hiện nay. Trước đây người ta gần như chưa bao giờ tìm được một vật liệu polymer có đồng thời hai tính chất, vừa có mật độ năng lượng cao và lại vừa chịu được nhiệt độ cao như vậy. Thứ hai là một hợp kim có độ cứng rất cao từ cobalt, wolfram, nhôm, niobi và crom (với công thức hóa học là Co33 W07 Al33 Nb24 Cr03.). Các nhà khoa học tin rằng một vật liệu “hỗn hợp” từ nhiều nguyên tố có thể tạo ra những tính chất “bất ngờ” nhưng chưa có một vật liệu nào được tổng hợp như vậy ngoài thực tế.

Nhưng không dễ sử dụng…

Ứng dụng mô hình AI trong nghiên cứu và phát triển vật liệu mở ra rất nhiều hứa hẹn nhưng để cách mạng hóa ngành vật liệu, nó cần phải vượt qua những trở ngại cực lớn. Như đề cập ở trên, dữ liệu về vật liệu không giống dữ liệu ở các lĩnh vực khác và không thể dùng trực tiếp cho các thuật toán AI thông thường. Hiện nay, việc biểu diễn các nguyên tử trong một mẫu vật liệu vẫn theo tọa độ Decartes trong không gian, và cách biểu diễn dữ liệu này “vừa thừa, vừa thiếu” trong việc đưa vào các thuật toán AI thông thường. Thừa là bởi, nếu di chuyển mẫu vật liệu từ vị trí này đến vị trí khác trong không gian, bản chất của vật liệu này không có gì biến chuyển, nhưng tất cả các tọa độ nguyên tử thì hoàn toàn thay đổi. Thiếu là bởi, cách biểu diễn này cũng không mô tả được toàn bộ bản chất vật lý và hóa học, điều kiện gia công sản xuất, môi trường/tiêu chuẩn đo đạc…của vật liệu. Thực tế cho đến hiện nay, chưa có một phương pháp biểu diễn dữ liệu nào có thể giải quyết được vấn đề này.

Cơ sở dữ liệu là một thách thức khác. Hiện nay đã có khoảng một vài chục cơ sở dữ liệu có nguồn gốc từ tính toán mô phỏng với hàng triệu hoặc chục triệu số liệu nhưng những dữ liệu này không thay thế được dữ liệu thực nghiệm. Nhưng dữ liệu thực nghiệm, dẫu không hẳn là “thiếu” nhưng rất đa dạng, không theo một quy chuẩn nhất định, và phân tán khắp nơi, trong hàng chục triệu sách báo khoa học. Thu thập và chuẩn hóa những dữ liệu này là một việc không đơn giản nhưng không phải bất khả thi, và nếu làm được thì sẽ có hiệu quả rất lớn. Phối hợp các nỗ lực đa dạng trong ngành và kết nối các cơ sở nghiên cứu, trường đại học, doanh nghiệp, và thị trường là một thách thức lớn khác. Trên thực tế, thành quả của lĩnh vực khoa học này không chỉ có những kết quả trên những ấn phẩm khoa học và hay các hình thức công bố dễ thấy khác. Điều này đặc biệt đúng với doanh nghiệp. Rất nhiều công ty như Google và Microsoft đã tự xây các kho dữ liệu riêng và phát triển các kỹ thuật ML/AI mới tạo ra những thành quả không nhỏ, theo chứng kiến của tôi. Bên cạnh một số phát kiến được chủ động chia sẻ rộng rãi, chẳng hạn gần nửa triệu cấu trúc vật liệu bền nhiệt động được tạo ra bởi dự án GNoME của Google DeepMind phần lớn những tri thức và kinh nghiệm này chưa có cách nào để phổ biến và chia sẻ với khối viện, trường mà vẫn đảm bảo giữ được bí mật kinh doanh. Cần thiết phải có một cơ chế để kết nối các cơ sở khoa học, đào tạo và doanh nghiệp, gỡ bỏ được những khác biệt cố hữu, hiểu được khả năng của nhau, tôn trọng nhu cầu của nhau và đảm bảo lợi ích của tất cả các bên. Tôi từng chứng kiến nhiều ví dụ phía doanh nghiệp nắm quyền kiểm soát và điều hành dự án, trong đó viện trường đóng vai trò cùng làm và hỗ trợ và rất thành công.

Sáng kiến gen vật liệu

Sáng kiến gen vật liệu (Materials Genome Initiative, MGI, https://www.mgi.gov/) công bố năm 2011 là một chính sách chiến lược Chính phủ Mỹ và là một cột mốc lớn của ngành. Mục đích cơ bản của MGI là điều phối hợp tác giữa các cơ quan liên bang, bao gồm Quỹ Khoa học Quốc gia (National Science Foundation), Bộ Năng lượng (Department of Energy), Bộ Quốc phòng (Department of Defense), Viện Tiêu chuẩn và Công nghệ Quốc gia (National Institute of Standards and Technology), và các cơ quan khác, trong việc định hướng chiến lược, cung cấp hỗ trợ, phát triển cơ sở hạ tầng, đẩy mạnh hợp tác, và đào đạo nhân lực trong ngành. Về mặt kỹ thuật, MGI hướng tới mục tiêu “khám phá, chế tạo, và đưa vào sử dụng trên quy mô lớn các vật liệu chức năng mới nhanh gấp nhiều lần với một phần nhỏ chi phí”. Giống như một nhạc trưởng kết nối và điều phối tất cả các nguồn lực, từ chính sách, vốn đến nhân lực, trong tin học vật liệu, sáng kiến này có thể gỡ những khúc mắc lớn, đóng vai trò quan trọng trong quá trình phát triển của lĩnh vực này trên thế giới.

MGI được triển khai không lâu sau Dự án giải mã Gene người, và đó cũng là nguồn gốc tên của sáng kiến. Tương tự như gene người, phần tử vật chất mã hóa một phần tính cách của các cá nhân (bên cạnh ảnh hưởng từ xã hội), niềm tin cơ bản trong lĩnh vực này là các tính chất cơ bản và nội sinh (intrinsic) của vật liệu cũng được quy định bởi một tập hợp “gen vật liệu” nào đó. Khác với DNA của người với cấu trúc và các phần tử cơ bản đã được biết, khái niệm “gen vật liệu” còn chưa được định nghĩa và hiểu một cách thỏa đáng. Các cách biểu diễn vật liệu hiện nay để huấn luyện AI cũng có thể hiểu là những nỗ lực nhằm định nghĩa “gen vật liệu” nhưng vẫn còn xa mới hoàn thiện và hiệu quả.

Khoa học vật liệu không chỉ là công việc của từng cá nhân đơn lẻ, tìm ra những vật liệu đơn lẻ, mà cần những nỗ lực định hướng, điều phối, và kết nối. Chỉ có bằng cách đó, kết quả của các cá nhân đơn lẻ mới được cộng hưởng và nhân lên thực sự. Lúc đó, mọi người cũng hay nói, rằng 1 + 1 không phải bằng 2 nữa, mà bằng 5, 10, hay 20. Khi những thách thức trong khoa học vật liệu được giải quyết, thì kết quả thu được sẽ ảnh hưởng không chỉ tới ngành mà đến toàn bộ nền kinh tế nói chung./.

Bài đăng KH&PT số 1327 (số 3 đến số 5/2025)

Khoahocphattrien