Các nhà khoa học và các tổ chức nghiên cứu dành nhiều nguồn lực mỗi năm để tìm kiếm, khám phá những vật liệu mới cho sự phát triển của thế giới. Các nguồn tài nguyên thiên nhiên ngày càng suy giảm đồng thời nhu cầu về những sản phẩm giá trị cao hơn, có những tính năng tiên tiến ngày càng tăng. Nhu cầu thực tế này khiến các nhà nghiên cứu quan tâm đặc biệt đến vật liệu nano.

Những hạt nano được ứng dụng trong nhiều lĩnh vực khác nhau, từ lưu trữ và chuyển đổi năng lượng đến tính toán lượng tử và trị liệu. Nhưng với khả năng điều chỉnh thành phần và cấu trúc rộng lớn của hóa học nano, cần thực hiện vô số những phương pháp thử nghiệm để xác định các vật liệu mới, tạo ra những khó khăn không thể vượt qua trong quá trình khám phá.

Nhóm nghiên cứu tại Đại học Northwestern và Viện Nghiên cứu Toyota (TRI) ứng dụng thành công Máy học trên cơ sở Trí tuệ Nhân tạo, định hướng tổng hợp các vật liệu nano mới, loại bỏ những khó khăn trong quá trình khám phá những tính chất vật liệu. Thuật toán AI đào tạo chuyên sâu kết hợp với cơ sở dữ liệu xác định có thể dự đoán chính xác những cấu trúc mới, thúc đẩy những quy trình công nghệ trong ngành năng lượng sạch, hóa chất và ô tô.

Chad Mirkin, GS Hóa học George B. Rathmann tại Đại học Khoa học và Nghệ thuật Weinberg, giám đốc sáng lập của Viện Công nghệ Nano Quốc tế tại Northwestern, tác giả của báo cáo cho biết: mô hình thử nghiệm của hỗn hợp 7 nguyên tố có thể tạo ra những vật liệu hoàn toàn mới. Máy Học trên cơ sở AI dự đoán 19 khả năng, sau khi kiểm tra từng khả năng, nhóm nghiên cứu xác định 18 trong số các dự đoán là đúng.

Nghiên cứu “Thiết kế tăng tốc bằng Máy học và tổng hợp các dị cấu trúc đa gia tốc,” được công bố ngày 22/12 trên tạp chí Science Advances .

Theo Mirkin, điều khiến kỹ thuật mới có ý nghĩa quan trọng là quyền truy cập vào những bộ dữ liệu có dung lượng và chất lượng vô cùng lớn vì những mô hình Máy học và thuật toán AI chỉ có thể cho hiệu quả tốt nhưng dữ liệu được sử dụng để đào tạo.

Công cụ tạo dữ liệu, được gọi là "Megalibrary", do nhóm nghiên cứu của GS Mirkin phát minh. Mỗi Megalibrary chứa hàng triệu hoặc thậm chí hàng tỷ cấu trúc nano, mỗi thiết kế có hình dạng, cấu trúc và thành phần hơi khác biệt, được mã hóa theo vị trí trên một con chip 2 x 2 cm vuông. Đến nay, mỗi con chip chứa một số lượng khổng lồ vật liệu mới, được các nhà khoa học thu thập và phân loại.

Nhóm nhà khoa học Mirkin phát triển Megalibraries, sử dụng một kỹ thuật (do GS Mirkin phát minh), được gọi là kỹ thuật in thạch bản bằng bút polymer, công cụ in ấn nano song song khổng lồ, cho phép lắng đọng hàng trăm nghìn tính năng mỗi giây trên một diện tích cụ thể.

Những “bộ gen vật liệu” bao gồm tổ hợp hạt nano của bất kỳ nguyên tố nào trong số 118 nguyên tố có thể sử dụng trong bảng tuần hoàn, các thông số về hình dạng, kích thước, hình thái pha, cấu trúc tinh thể…. Xây dựng các tập hợp con nhỏ hơn của những hạt nano ở dạng Megalibraries sẽ cho phép các nhà nghiên cứu tiến gần hơn đến hoàn thành bản đồ đầy đủ bộ gen vật liệu.

Với một “bộ gen” vật liệu, việc xác định cách sử dụng hoặc dán nhãn đòi hỏi những công cụ khác nhau. Nhờ trí tuệ nhân tạo AI, có thể xác định và khai thác bộ “gen” vật liệu. Những ứng dụng Máy học là lý tưởng để giải quyết sự phức tạp của việc xác định và khai thác hệ gen vật liệu, sự kết hợp giữa Megalibraries với Máy học cho phép hiểu rõ những thông số nào hình thành thuộc tính của vật liệu nhất định.

Sử dụng Megalibraries làm nguồn cung cấp dữ liệu vật liệu chất lượng cao và quy mô lớn để đào tạo các thuật toán trí tuệ nhân tạo (AI), tạo ra dữ liệu đầu vào cho AI để đưa ra những dự đoán về vật liệu.

Nhóm nghiên cứu biên soạn dữ liệu cấu trúc Megalibrary được tạo ra trước đó, bao gồm các hạt nano có thành phần, cấu trúc, kích thước và hình thái phức tạp. Các nhà khoa học sử dụng dữ liệu này để đào tạo mô hình và yêu cầu dự đoán vật liệu nano với các nguyên tố khác nhau. Trong 19 lần dự đoán, mô hình Máy học dự đoán vật liệu mới chính xác 18 lần, tỷ lệ thành công đạt 95%. Tăng cường thêm kiến ​​thức về hóa học hoặc vật lý, chỉ sử dụng dữ liệu đào tạo, mô hình Máy học có thể dự đoán chính xác những cấu trúc phức tạp chưa từng tồn tại.

Mô hình Máy học có thể tạo ra các vật liệu nano kim loại, chất xúc tác trong những phản ứng hóa học phân tách hydro, khử carbon dioxide (CO 2 ), thúc đẩy những khám phá trên nhiều lĩnh vực quan trọng đối với tương lai, bao gồm cả nhựa cao cấp, pin mặt trời, chất siêu dẫn và qubit.

Công nghệ Máy học trên cơ sở AI có thể dự đoán những vật liệu cần thiết cho bất kỳ ứng dụng nào. Một trong những ưu điểm của Kỹ thuật là quá trình đào tạo AI, bổ sung thường xuyên dữ liệu có được, công nghệ càng ngày càng phát triển và hoàn thiện, kết quả dự đoàn càng ngày càng chính xác hơn theo những yêu cầu cụ thể.

Nhóm nghiên cứu hiện đang sử dụng kỹ thuật này để tìm ra các chất xúc tác quan trọng đối với các quá trình cung cấp nhiên liệu trong các ngành công nghiệp năng lượng sạch, ô tô và hóa chất.