Vì sao AI tạo được hàng triệu cấu trúc nhưng chưa chắc làm ra vật liệu hữu ích?

Một mô hình AI có thể tạo ra hàng triệu cấu trúc vật liệu chỉ trong vài phút, nhưng tốc độ ấy chưa đồng nghĩa với hàng triệu vật liệu có thể chế tạo và sử dụng. Nút thắt nằm ở một yêu cầu cơ bản: các nguyên tử phải được sắp xếp theo cách đủ phù hợp với quy luật hóa học để cấu trúc có khả năng ổn định. Nếu bỏ qua điều này, phần lớn kết quả chỉ làm tăng khối lượng công việc sàng lọc phía sau. [1]

CrysVCD, viết tắt của “crystal generator with valence-constrained design”, giải quyết vấn đề bằng cách đặt ràng buộc về electron hóa trị trước giai đoạn sinh cấu trúc tốn nhiều tài nguyên. Trong thử nghiệm mô phỏng do nhóm nghiên cứu tại MIT thực hiện, gần 70% thiết kế tạo ra vượt qua phép kiểm tra nghiêm ngặt về độ ổn định động lực học mạng tinh thể. Kết quả cho thấy AI thiết kế vật liệu hiệu quả hơn khi các quy luật hóa học tham gia ngay từ đầu, thay vì chỉ được dùng để loại bỏ phương án sai ở cuối quy trình. [1]

Vì sao tạo được cấu trúc chưa có nghĩa là tạo được vật liệu?

Mô hình sinh có thể học cách đề xuất công thức và vị trí nguyên tử trông hợp lý theo những mẫu đã gặp. Tuy nhiên, một cấu trúc có hình dạng hợp lý trên máy tính vẫn có thể không phù hợp về mặt hóa học. Khi trạng thái electron quanh các nguyên tử không đáp ứng những điều kiện cần thiết, cấu trúc có thể biến đổi, méo đi hoặc không duy trì được trạng thái dự kiến. Một phương án như vậy khó trở thành vật liệu hữu ích, dù nó đáp ứng một chỉ tiêu riêng lẻ trên mô hình. [1]

Có thể hình dung đây là khác biệt giữa việc vẽ ra rất nhiều cách xếp các khối và việc tìm được cách xếp đứng vững. Năng lực sinh phương án giúp mở rộng không gian tìm kiếm, nhưng không tự bảo đảm từng phương án tuân theo điều kiện nền tảng. Với vật liệu, điều kiện ấy không chỉ liên quan đến hình học mà còn gắn với cách các nguyên tử tương tác thông qua electron. [1]

Lớp vỏ hóa trị đóng vai trò gì?

Electron hóa trị là những electron ở vùng ngoài của nguyên tử, có vai trò quan trọng trong cách nguyên tử liên kết và tương tác. CrysVCD sử dụng các quy tắc liên quan đến lớp vỏ hóa trị để đánh giá công thức hóa học trước khi một mô hình khác dựng cấu trúc tinh thể tương ứng. Mục tiêu không phải dự đoán toàn bộ hành vi của vật liệu ở bước này, mà là loại sớm những điểm xuất phát không thỏa mãn các điều kiện hóa học chủ chốt. [1]

Ràng buộc sớm làm thay đổi câu hỏi mà hệ thống phải xử lý. Thay vì hỏi “trong mọi cấu trúc có thể sinh ra, cấu trúc nào còn dùng được?”, quy trình thu hẹp thành “trong những công thức đã qua kiểm tra hóa học ban đầu, cấu trúc nào đạt tính chất mong muốn?”. Không gian tìm kiếm nhỏ hơn không bảo đảm thành công tuyệt đối, nhưng giúp tài nguyên tính toán tập trung vào các ứng viên có triển vọng hơn. [1]

CrysVCD chen vào quy trình như thế nào?

Hệ thống gồm hai giai đoạn. Trước hết, một mô hình ngôn ngữ tạo ra các công thức đáp ứng ràng buộc hóa học. Sau đó, mô hình khuếch tán dùng công thức này để sinh cách bố trí nguyên tử trong tinh thể, phối hợp với mô hình tạo vật liệu nền. CrysVCD vì thế không thay thế hoàn toàn các mô hình sinh sẵn có; nó hoạt động như một lớp định hướng đặt trước chúng. [1]

Cách tổ chức này quan trọng vì quá trình khuếch tán để tạo một vật liệu có thể cần rất nhiều bước tính toán. Nếu chỉ phát hiện một ứng viên bất ổn sau khi cấu trúc đã được dựng xong, phần tài nguyên dành cho ứng viên đó gần như đã tiêu tốn. Kiểm tra từ công thức giúp loại bớt phương án yếu trước giai đoạn đắt đỏ nhất, tương tự việc kiểm tra điều kiện đầu vào trước khi chạy một phép mô phỏng dài. [1]

Con số gần 70% thực sự cho biết điều gì?

Trong các thế hệ vật liệu bằng máy tính của nhóm nghiên cứu, gần 70% thiết kế đạt mức ổn định cao về động lực học mạng tinh thể. Đây là phép kiểm tra xem cấu trúc tinh thể có xu hướng duy trì trước những dao động nhỏ trong mô phỏng hay không. Con số này mô tả kết quả trong quy trình tính toán của nghiên cứu, không có nghĩa từng ứng viên đều đã được tổng hợp thành mẫu vật hay sẵn sàng đưa vào sản phẩm. [1]

Nhóm cũng cho thấy phương pháp có thể hướng tới những thuộc tính cụ thể, gồm độ dẫn nhiệt cao và hằng số điện môi cao. Các thuộc tính này có thể liên quan đến tản nhiệt cho trung tâm dữ liệu hoặc vật liệu phục vụ ngành bán dẫn. Điểm đáng chú ý là hệ thống phải theo đuổi đồng thời hai mục tiêu: cấu trúc cần có triển vọng ổn định và vẫn phải mang đặc tính mà người thiết kế yêu cầu. [1]

Vì sao sàng lọc ở cuối quy trình lại đắt đỏ?

Cách làm phổ biến là sinh một lượng lớn cấu trúc rồi dùng thêm các phép tính để loại ứng viên bất ổn. Theo các nhà nghiên cứu, khâu xác nhận, đặc biệt là kiểm tra độ ổn định, có thể chiếm phần lớn chi phí tính toán và kéo dài nhiều tuần hoặc nhiều tháng. CrysVCD được báo cáo là tạo ra các ứng viên ổn định hiệu quả hơn khoảng một bậc độ lớn so với cách chỉ sàng lọc sau khi sinh. [1]

Sự khác biệt này đặc biệt có ý nghĩa đối với phòng thí nghiệm hoặc doanh nghiệp nhỏ, nơi ngân sách tính toán hạn chế. Giảm số ứng viên phải kiểm tra chuyên sâu không chỉ tiết kiệm thời gian; nó còn cho phép cùng một nguồn lực khảo sát nhiều mục tiêu vật liệu hơn. Giá trị của AI khi ấy không nằm ở số lượng thiết kế thô, mà ở tỷ lệ phương án đáng để tiếp tục đánh giá. [1]

AI đã thay thế được hóa học chưa?

CrysVCD hiện phù hợp nhất với chất rắn có cấu trúc bên trong trật tự cao, nên không thể áp dụng như một lời giải chung cho mọi loại vật liệu. Ngay cả với tinh thể, vượt qua kiểm tra ổn định trong mô phỏng vẫn là một bước tuyển chọn, chưa phải xác nhận rằng vật liệu chắc chắn chế tạo được, bền trong mọi điều kiện hoặc hoạt động tốt trong một sản phẩm cụ thể. [1]

Bài học rộng hơn là khả năng sinh vô số phương án chỉ hữu ích khi đi cùng tiêu chí loại trừ có ý nghĩa. Trong thiết kế vật liệu, hóa học cung cấp những giới hạn ấy, còn AI giúp tìm kiếm nhanh bên trong phạm vi đã được định hướng. Vì vậy, bước tiến đáng chú ý không phải cỗ máy tưởng tượng ra nhiều cấu trúc hơn, mà là cách nó được buộc phải tôn trọng các điều kiện làm cho một cấu trúc có cơ hội tồn tại. [1]