AI đang thay đổi cách các nhà khoa học Việt tìm vật liệu mới

Cách tiếp cận “thiết kế ngược” này đang mở ra một phương thức mới trong nghiên cứu và khám phá vật liệu.

TỪ MÔ PHỎNG ĐẾN AI TRONG KHÁM PHÁ VẬT LIỆU

Ngày 14/9 tại Hà Nội, Trung tâm Dữ liệu và Thông tin khoa học, Viện Hàn lâm Khoa học và Công nghệ Việt Nam phối hợp với Trung tâm Đổi mới sáng tạo và Công nghệ Vật liệu, Trường Đại học VinUni và Hội Vật lý Việt Nam đã tổ chức bài giảng đại chúng “AI với Vật lý”. PGS.TS Nguyễn Hồng Quang, Phó Chủ tịch kiêm Tổng Thư ký Hội Vật lý Việt Nam, cho rằng sự phát triển mạnh mẽ của AI đang mở ra một giai đoạn công nghệ mới, đặt ra yêu cầu đối với cộng đồng khoa học không chỉ hiểu về AI mà còn phải tìm ra cách ứng dụng hiệu quả trong từng lĩnh vực chuyên môn.

Tại chương trình, TS. Phan Đức Anh, Trung tâm Đổi mới sáng tạo và Công nghệ Vật liệu, Trường Đại học VinUni, trình bày bài giảng về “Kỷ nguyên mới trong khám phá vật liệu: AI, Vật lý và Mô phỏng”, tập trung vào cách AI đang được đưa vào quá trình nghiên cứu vật liệu

Theo TS. Phan Đức Anh, nghiên cứu vật liệu truyền thống thường bắt đầu từ quan sát thực nghiệm. Từ những hiện tượng quan sát được, nhà khoa học xây dựng lý thuyết và các mô hình toán học, vật lý để giải thích hiện tượng, hình thành giả thuyết và xác định phạm vi của bài toán.

Sự xuất hiện của máy tính từ giữa thế kỷ XX đã tạo ra một bước chuyển quan trọng. Thay vì chỉ dựa vào thực nghiệm, các nhà khoa học có thể sử dụng mô phỏng để nghiên cứu những hệ vật lý phức tạp. Khi năng lực tính toán và siêu máy tính phát triển, mô phỏng ngày càng trở thành công cụ quan trọng trong khoa học vật liệu, cho phép dự đoán nhiều đặc tính trước khi tiến hành thực nghiệm.

Và hiện nay, trí tuệ nhân tạo (AI) đang tiếp tục mở rộng khả năng này khi có thể xử lý lượng dữ liệu lớn, hỗ trợ phân tích dữ liệu, dự đoán tính chất vật liệu, tìm kiếm cấu trúc mới và nhận diện mối quan hệ giữa nhiều biến số.

TS Phan Đức Anh, Trung tâm Đổi mới sáng tạo và Công nghệ Vật liệu, Trường Đại học VinUni. Ảnh: VAST

“AI hiện có thể được sử dụng để tìm kiếm, tổng hợp và phân tích các công bố khoa học, nhận diện xu hướng nghiên cứu hoặc gợi ý những vấn đề còn bỏ ngỏ. Các mô hình chuyên biệt cũng có thể hỗ trợ dự đoán tính chất của polymer, thuốc, kim loại, hợp kim và nhiều loại vật liệu khác”, TS. Phan Đức Anh cho biết. Điểm đáng chú ý là AI không chỉ giúp xử lý nhanh hơn những bài toán vốn đã có, mà còn mở ra cách tiếp cận khác đối với việc tìm kiếm vật liệu.

CÁCH TIẾP CẬN “THIẾT KẾ NGƯỢC” TRONG NGHIÊN CỨU VỚI AI

Một trong những hướng được TS. Phan Đức Anh nhấn mạnh là thiết kế ngược (inverse design).

Trong cách tiếp cận thông thường, nhà nghiên cứu bắt đầu với một cấu trúc vật liệu, sau đó sử dụng mô hình hoặc mô phỏng để dự đoán những tính chất mà cấu trúc đó có thể tạo ra. Với thiết kế ngược, quy trình được đảo chiều: nhà khoa học xác định trước tính chất hoặc yêu cầu mong muốn, sau đó sử dụng AI để tìm kiếm những cấu trúc có khả năng đáp ứng.

Cách làm này đặc biệt có ý nghĩa trong bối cảnh không gian vật liệu ngày càng lớn và số lượng phương án cần xem xét vượt quá khả năng thử nghiệm trực tiếp của con người.

Thay vì lần lượt kiểm tra từng phương án, AI có thể hỗ trợ tìm kiếm và sàng lọc một số lượng lớn cấu trúc trong không gian dữ liệu, từ đó đưa ra những ứng viên để nhà khoa học tiếp tục mô phỏng và kiểm chứng bằng thực nghiệm.

Theo TS. Phan Đức Anh, trong quy trình này, con người vẫn giữ vai trò xác định câu hỏi và mục tiêu khoa học, trong khi AI hỗ trợ tìm kiếm, phân tích và xử lý các phương án.

Điều này cũng cho thấy AI không đơn giản thay thế phương pháp nghiên cứu truyền thống. Giá trị của công nghệ nằm ở việc kết hợp dữ liệu, thuật toán và mô hình vật lý với năng lực chuyên môn của nhà nghiên cứu.

Hiệu quả của mô hình AI phụ thuộc rất lớn vào chất lượng, quy mô và mức độ phù hợp của dữ liệu. Vì vậy, nhà khoa học vẫn phải xác định đúng bài toán, lựa chọn dữ liệu, đánh giá mô hình và kiểm chứng kết quả. Đây cũng là lý do các mô hình AI trong khoa học vật liệu không thể được đánh giá chỉ bằng khả năng xử lý dữ liệu. Một dự đoán có độ chính xác cao trên một tập dữ liệu nhưng không phù hợp với điều kiện thực nghiệm vẫn chưa thể trở thành một kết quả khoa học có giá trị.

NHÀ KHOA HỌC TẬP TRUNG ĐẶT CÂU HỎI, LỰA CHỌN HƯỚNG ĐI, KIỂM CHỨNG AI 

Sự kết hợp giữa AI và vật lý không chỉ dừng ở bài toán khám phá vật liệu. Tại chương trình “AI với Vật lý”, PGS.TS Lê Văn Lịch, Trung tâm Đổi mới sáng tạo và Công nghệ Vật liệu, Trường Đại học VinUni, đã trình bày hướng nghiên cứu kết hợp vật lý nano, cảm biến và AI để phát triển công nghệ chẩn đoán.

Nhóm nghiên cứu của ông tập trung vào phát hiện và định lượng virus viêm gan B (HBV), dựa trên hạt nano vàng, hiện tượng quang học nano và các mô hình học máy.

Hạt nano vàng có những đặc tính quang học đặc biệt, trong đó sự thay đổi màu sắc của dung dịch có thể cung cấp tín hiệu liên quan đến phản ứng trong hệ thống. Nhóm nghiên cứu sử dụng đặc điểm này để phát triển cảm biến sinh học có khả năng phân biệt mẫu dương tính và âm tính với HBV. AI được sử dụng để phân tích hình ảnh, thay vì chỉ quan sát màu sắc bằng mắt thường, qua đó chuyển tín hiệu màu thành dữ liệu định lượng về tải lượng virus.

Một mục tiêu dài hạn là tích hợp thuật toán xử lý ảnh và mô hình AI vào ứng dụng trên điện thoại thông minh. Theo hướng này, người sử dụng có thể thực hiện xét nghiệm nhanh, chụp ảnh mẫu bằng điện thoại và hệ thống tự động phân tích hình ảnh để đưa ra kết quả định lượng.

Tuy nhiên, để đưa nghiên cứu từ phòng thí nghiệm ra điều kiện thực tế, vẫn còn nhiều vấn đề phải giải quyết. Khác biệt giữa camera của các thiết bị, điều kiện ánh sáng và môi trường chụp có thể làm thay đổi dữ liệu màu sắc. Nhóm nghiên cứu vì vậy hướng tới xây dựng dữ liệu và thuật toán có khả năng giảm sự phụ thuộc vào thiết bị ghi hình.

Những trao đổi tại chương trình cũng cho thấy một điểm chung giữa các hướng nghiên cứu: AI trong khoa học không phải là việc đơn giản lựa chọn một mô hình rồi đưa dữ liệu vào huấn luyện. Chất lượng và độ nhiễu của dữ liệu, số lượng biến đầu vào, lựa chọn vật liệu nano, ảnh hưởng của pH hay thiết bị thu thập dữ liệu đều có thể tác động đến kết quả.

Với khoa học vật liệu, điều này càng rõ khi AI được đưa vào quá trình tìm kiếm những cấu trúc mới. AI có thể mở rộng đáng kể không gian tìm kiếm, nhưng câu hỏi khoa học, dữ liệu đầu vào, mô hình vật lý và thực nghiệm vẫn là những mắt xích không thể tách rời.

Theo TS. Phan Đức Anh, việc ứng dụng AI trong nghiên cứu đã giúp nhóm nâng cao hiệu suất công bố khoa học. Thay đổi đáng chú ý không nằm ở việc AI thay thế nhà khoa học, mà ở chỗ máy móc có thể đảm nhận ngày càng nhiều công việc tìm kiếm, sàng lọc và xử lý dữ liệu, để nhà nghiên cứu tập trung hơn vào việc đặt câu hỏi, lựa chọn hướng đi và kiểm chứng những lời giải mà AI đề xuất.