Việc phát hiện ra các vật liệu mới là chìa khóa để giải quyết một số thách thức lớn nhất của nhân loại. Tuy nhiên, như được nhấn mạnh bởi Microsoftcác phương pháp truyền thống để khám phá vật liệu mới có thể giống như “mò kim đáy bể”.
Trong lịch sử, việc tìm kiếm vật liệu mới dựa vào các thí nghiệm thử và sai tốn nhiều công sức và tốn kém. Gần đây, việc sàng lọc bằng máy tính các cơ sở dữ liệu vật liệu khổng lồ đã giúp đẩy nhanh quá trình, nhưng đây vẫn là một quá trình tốn nhiều thời gian.
Giờ đây, một công cụ AI mới mạnh mẽ của Microsoft có thể đẩy nhanh quá trình này một cách đáng kể. Được đặt tên là MatterGen, công cụ này thoát khỏi các phương pháp sàng lọc truyền thống và thay vào đó trực tiếp thiết kế các vật liệu mới dựa trên yêu cầu thiết kế, đưa ra cách tiếp cận có khả năng thay đổi cuộc chơi trong việc khám phá vật liệu.
Được đăng trên một bài báo ở Thiên nhiênMicrosoft mô tả MatterGen là một mô hình khuếch tán hoạt động trong hình dạng 3D của vật liệu. Trong đó mô hình khuếch tán hình ảnh có thể tạo ra hình ảnh từ lời nhắc văn bản bằng cách điều chỉnh màu pixel, MatterGen tạo cấu trúc vật chất bằng cách thay đổi các phần tử, vị trí và mạng định kỳ trong cấu trúc ngẫu nhiên. Kiến trúc riêng biệt này được thiết kế đặc biệt để đáp ứng các nhu cầu đặc biệt của khoa học vật liệu, chẳng hạn như tính tuần hoàn và sắp xếp 3D.
Microsoft giải thích: “MatterGen tạo ra một mô hình mới về thiết kế vật liệu tổng hợp được AI hỗ trợ, cho phép khám phá vật liệu một cách hiệu quả, vượt xa tập hợp hạn chế của những vật liệu đã biết”.
Một bước nhảy vọt vượt ra ngoài sàng lọc
Các phương pháp tính toán truyền thống liên quan đến việc sàng lọc cơ sở dữ liệu khổng lồ về các vật liệu tiềm năng để xác định các ứng cử viên có đặc tính mong muốn. Tuy nhiên, ngay cả những phương pháp này cũng bị hạn chế ở khả năng khám phá vũ trụ của những vật liệu chưa biết và yêu cầu các nhà nghiên cứu phải sàng lọc hàng triệu lựa chọn trước khi tìm ra những ứng cử viên đầy triển vọng.
Ngược lại, MatterGen bắt đầu từ đầu—tạo ra vật liệu dựa trên các gợi ý cụ thể về hóa học, thuộc tính cơ học, tính chất điện tử, hành vi từ tính hoặc sự kết hợp của những hạn chế này. Mô hình này được đào tạo bằng cách sử dụng hơn 608.000 vật liệu ổn định được tổng hợp từ cơ sở dữ liệu của Dự án Vật liệu và Alexandria.
Trong so sánh bên dưới, MatterGen vượt trội đáng kể so với các phương pháp sàng lọc truyền thống trong việc tạo ra các vật liệu mới có các đặc tính cụ thể — cụ thể là mô đun khối lớn hơn 400 GPa, nghĩa là chúng khó nén.
Trong khi quá trình sàng lọc cho thấy lợi nhuận giảm dần theo thời gian do nguồn ứng cử viên đã biết ngày càng cạn kiệt, MatterGen vẫn tiếp tục tạo ra những kết quả ngày càng mới lạ.
Một thách thức thường gặp trong quá trình tổng hợp vật liệu là sự rối loạn thành phần—hiện tượng trong đó các nguyên tử hoán đổi vị trí ngẫu nhiên trong mạng tinh thể. Các thuật toán truyền thống thường không phân biệt được giữa các cấu trúc tương tự nhau khi quyết định xem cái gì được coi là vật liệu “thực sự mới lạ”.
Để giải quyết vấn đề này, Microsoft đã phát minh ra một thuật toán khớp cấu trúc mới kết hợp sự rối loạn thành phần vào các đánh giá của mình. Công cụ này xác định xem hai cấu trúc có phải là các xấp xỉ có thứ tự đơn thuần của cùng một cấu trúc rối loạn cơ bản hay không, cho phép định nghĩa mạnh mẽ hơn về tính mới.
Chứng minh MatterGen hoạt động để khám phá vật liệu
Để chứng minh tiềm năng của MatterGen, Microsoft đã hợp tác với các nhà nghiên cứu tại Viện Công nghệ Tiên tiến Thâm Quyến (SIAT) – một phần của Viện Hàn lâm Khoa học Trung Quốc – để tổng hợp thử nghiệm một loại vật liệu mới do AI thiết kế.
Vật liệu TaCr₂O₆ được MatterGen tạo ra để đáp ứng mục tiêu mô đun số lượng lớn là 200 GPa. Mặc dù kết quả thử nghiệm hơi kém so với mục tiêu, khi đo mô đun 169 GPa, nhưng sai số tương đối chỉ là 20%—một sự khác biệt nhỏ so với góc độ thực nghiệm.
Điều thú vị là vật liệu cuối cùng biểu hiện sự rối loạn thành phần giữa các nguyên tử Ta và Cr, nhưng cấu trúc của nó lại phù hợp chặt chẽ với dự đoán của mô hình. Nếu mức độ chính xác dự đoán này có thể được chuyển sang các lĩnh vực khác, MatterGen có thể có tác động sâu sắc đến các thiết kế vật liệu cho pin, pin nhiên liệu, nam châm, v.v.
Microsoft định vị MatterGen như một công cụ bổ sung cho mô hình AI trước đây của mình, vấn đềSimgiúp tăng tốc mô phỏng các tính chất vật liệu. Cùng với nhau, các công cụ này có thể đóng vai trò như một “bánh đà” công nghệ, tăng cường cả việc khám phá các vật liệu mới và mô phỏng các đặc tính của chúng trong các vòng lặp.
Cách tiếp cận này phù hợp với những gì Microsoft gọi là “mô hình khám phá khoa học thứ năm”, trong đó AI vượt ra ngoài khả năng nhận dạng mẫu để chủ động hướng dẫn các thí nghiệm và mô phỏng.
Microsoft đã phát hành MatterGen’s mã nguồn theo license MIT. Bên cạnh mã, nhóm đã cung cấp các bộ dữ liệu đào tạo và tinh chỉnh của mô hình để hỗ trợ nghiên cứu sâu hơn và khuyến khích áp dụng rộng rãi hơn công nghệ này.
Phản ánh về tiềm năng khoa học rộng lớn hơn của AI, Microsoft đưa ra những điểm tương đồng với việc khám phá thuốc, trong đó những công cụ như vậy đã bắt đầu thay đổi cách các nhà nghiên cứu thiết kế và phát triển thuốc. Tương tự, MatterGen có thể định hình lại cách chúng ta tiếp cận thiết kế vật liệu, đặc biệt đối với các lĩnh vực quan trọng như năng lượng tái tạo, điện tử và kỹ thuật hàng không vũ trụ.
(Nguồn Hình Ảnh: Microsoft)
Xem thêm: L’Oréal: Tạo ra mỹ phẩm bền vững với AI sáng tạo
Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Kiểm tra Triển lãm AI & Dữ liệu lớn diễn ra ở Amsterdam, California và London. Sự kiện toàn diện này được tổ chức cùng với các sự kiện hàng đầu khác bao gồm Hội nghị tự động hóa thông minh, BlockX, Tuần lễ Chuyển đổi sốVà An ninh mạng & Triển lãm Cloud.
Khám phá các sự kiện và hội thảo Online về công nghệ doanh nghiệp sắp tới khác do TechForge cung cấp đây.
