2 triệu vật liệu mới — AI vừa làm xong việc 800 năm

Cục pin trong túi bạn đang chờ một cuộc cách mạng

Bạn cầm điện thoại lên, pin còn 12%, tim đập nhanh hơn lúc bác sĩ kêu vào phòng khám. Cắm sạc, đợi. Hai tiếng sau mới dám rời ổ điện.

Câu chuyện tưởng vặt vãnh đó — chờ sạc pin — thực ra là triệu chứng của một bài toán khổng lồ mà nhân loại loay hoay cả thế kỷ: chúng ta thiếu vật liệu tốt. Pin lithium-ion dùng mấy chục năm rồi vẫn chưa có ai tìm ra thứ thay thế xứng đáng. Tấm pin mặt trời trên mái nhà vẫn chỉ hấp thụ được một phần nhỏ ánh sáng chiếu vào. Chip máy tính cứ nhỏ thêm thì nóng thêm, mà không có vật liệu tản nhiệt đủ xịn.

Rồi cuối năm 2023, một nhóm ở Google DeepMind làm một chuyện mà tôi đọc xong phải đặt ly cà phê xuống, ngồi im mấy giây. Họ bảo AI của họ vừa tìm ra 2,2 triệu cấu trúc tinh thể mới. Hai phẩy hai triệu. Trong đó có 380.000 cấu trúc đủ ổn định để có thể tổng hợp trong phòng thí nghiệm. Con số đó tương đương toàn bộ kiến thức vật liệu mà loài người tích lũy trong khoảng 800 năm — gom lại, nén lại, xong trong vài tuần tính toán.

Cỗ máy đoán vật liệu tên GNoME — và cách nó "nhìn" nguyên tử

Công trình này có tên đầy đủ là "Scaling deep learning for materials discovery", đăng trên tạp chí Nature ngày 29 tháng 11 năm 2023. Nhóm tác giả do Amil Merchant, Simon Batzner, Samuel Schoenholz, Muratahan Aykol, Gowoon Cheon và Ekin Dogus Cubuk dẫn dắt, tất cả thuộc Google DeepMind.

Họ xây một hệ thống AI tên là GNoME — viết tắt của Graph Networks for Materials Exploration. Nghe hàn lâm, nhưng bạn hình dung thế này cho dễ: thay vì một nhà khoa học vật liệu ngồi trong lab, trộn hóa chất theo linh cảm, nung ở nhiều nhiệt độ, đợi vài tuần xem tinh thể có hình thành không — thì GNoME làm việc giống một tay đầu bếp đã nếm thử hàng triệu món, nhớ hết công thức nào ra món ngon, công thức nào cháy nồi. Khi bạn đưa cho nó một tổ hợp nguyên tố mới, nó "nếm" trong tích tắc rồi bảo: "Cái này ổn định, nấu được" hoặc "Bỏ đi, vỡ ngay."

Cụ thể hơn, GNoME dùng mạng nơ-ron đồ thị (graph neural network). Trong một tinh thể, mỗi nguyên tử là một nút, mỗi liên kết hóa học là một cạnh nối. AI học cách đọc "bản đồ" đó — giống như bạn học đọc sơ đồ metro: nhìn vào là biết tuyến nào nối ga nào, chỗ nào kẹt, chỗ nào thông. Nó được huấn luyện trên dữ liệu từ Materials Project — một cơ sở dữ liệu mở chứa khoảng 48.000 cấu trúc tinh thể đã biết. Rồi từ 48.000 bài học đó, nó suy ra 2,2 triệu cấu trúc mới.

Tại sao trước đó không ai làm được — và GNoME mở khóa cái gì

Để hiểu sức nặng của chuyện này, bạn cần biết trước GNoME, việc tìm vật liệu mới giống đào vàng bằng tay không.

Một nhà khoa học vật liệu giỏi, cả đời nghiên cứu, may mắn thì tìm ra vài cấu trúc tinh thể mới thực sự hữu ích. Quy trình thông thường: đề xuất một tổ hợp nguyên tố, mô phỏng trên máy tính bằng phương pháp DFT (Density Functional Theory — tính toán cơ học lượng tử, cực kỳ ngốn tài nguyên), chờ kết quả, rồi mới dám vào lab tổng hợp thử. Một phép tính DFT cho một cấu trúc có thể mất hàng giờ đến hàng ngày trên siêu máy tính. Nhân lên triệu cấu trúc? Không đủ máy tính trên Trái Đất.

GNoME giải quyết nút thắt đó bằng cách thay thế phần lớn phép tính DFT bằng dự đoán AI. Nó không tính chính xác từng nguyên tử như DFT, mà học từ hàng chục ngàn kết quả DFT trước đó để "đoán" nhanh — và đoán đúng đến mức đáng sợ. Theo báo cáo của nhóm nghiên cứu, tỷ lệ dự đoán đúng (tức vật liệu được đề xuất thực sự ổn định khi kiểm chứng) đạt trên 80% trong các thử nghiệm.

Một bằng chứng cứng: nhóm của giáo sư Gerbrand Ceder tại Phòng thí nghiệm quốc gia Lawrence Berkeley đã dùng hệ thống robot tự động tên A-Lab để tổng hợp thử một số vật liệu do GNoME đề xuất. Kết quả công bố trên Nature cùng ngày — 736 cấu trúc đã được tạo ra thành công trong phòng thí nghiệm. Robot trộn, nung, phân tích, tất cả tự động. Tương lai đến rồi, và nó mặc áo blouse trắng.

Từ pin xe điện đến mái nhà năng lượng mặt trời Việt Nam

Được rồi, 2,2 triệu cấu trúc nghe hoành tráng, nhưng nó ảnh hưởng gì đến đời bạn?

Pin thế hệ mới. Trong 380.000 vật liệu ổn định mà GNoME tìm ra, Google DeepMind cho biết có khoảng 528 chất dẫn ion lithium tiềm năng — tức vật liệu có thể dùng làm chất điện ly rắn cho pin thể rắn (solid-state battery). Pin thể rắn hứa hẹn sạc nhanh hơn, an toàn hơn, không cháy nổ như pin lithium-ion truyền thống. VinFast đang đầu tư vào xe điện — tưởng tượng pin xe VinFast sạc 15 phút chạy 500 km, không phải chuyện viễn tưởng nữa nếu chất điện ly đúng được tìm ra.

Tấm pin mặt trời hiệu suất cao. Những vật liệu perovskite mới có thể nâng hiệu suất chuyển đổi quang năng. Việt Nam nằm trong vùng nhiệt đới, nắng quanh năm — mỗi phần trăm hiệu suất tăng thêm trên mái nhà là tiền điện giảm thật.

Chip và linh kiện điện tử. Vật liệu bán dẫn mới có thể giúp chip xử lý nhanh hơn, mát hơn. Việt Nam đang xây dựng ngành công nghiệp bán dẫn — có thêm vật liệu mới nghĩa là có thêm lựa chọn thiết kế.

Vật liệu xây dựng và chống ăn mòn. Hợp kim siêu bền, nhẹ, chống gỉ — ứng dụng từ cầu đường đến giàn khoan dầu khí. Với khí hậu nhiệt đới ẩm như Việt Nam, vật liệu chống ăn mòn tốt hơn tiết kiệm hàng ngàn tỷ đồng bảo trì.

Xử lý môi trường. Vật liệu xúc tác mới có thể giúp phân hủy chất ô nhiễm, lọc nước, hoặc chuyển CO₂ thành nguyên liệu hữu ích. Sông Tô Lịch không phải là bài toán không giải được — chỉ là chưa có đúng chất xúc tác.

Tiền ở đâu trong 2,2 triệu cấu trúc tinh thể?

Đây mới là phần khiến tôi hào hứng nhất khi kể cho bạn. Vì GNoME không chỉ là khoa học cơ bản — nó mở ra một mỏ vàng nghề nghiệp và kinh doanh.

Dữ liệu GNoME được Google DeepMind công bố mở trên Materials Project. Nghĩa là bất kỳ ai — startup ở Sài Gòn, phòng lab ở Đà Nẵng, kỹ sư freelance ở Huế — đều có thể truy cập, phân tích, và tìm cơ hội.

Nghề kỹ sư vật liệu tính toán (computational materials scientist) đang thiếu người trầm trọng trên toàn cầu. Lương trung bình ở Mỹ theo dữ liệu từ Bureau of Labor Statistics dao động khoảng 80.000–120.000 USD/năm cho materials scientist, và cao hơn nữa nếu biết thêm machine learning. Ở Việt Nam, các trung tâm như VinAI, FPT AI, hay các trường đại học lớn đang bắt đầu tuyển dụng hướng này.

Không phải ai cũng cần thành tiến sĩ. Một data engineer biết đọc cấu trúc tinh thể, biết chạy mô hình graph neural network, biết nói chuyện với kỹ sư vật liệu — người đó đang là hàng hiếm trên thị trường lao động toàn cầu.

Nấc thang nào cho loài người — và cái giá phải cảnh giác

Nếu đặt GNoME vào dòng chảy lịch sử, nó thuộc về một khoảnh khắc mà tôi gọi là "khoa học bắt đầu tự tăng tốc". Trước đây, mỗi vật liệu mới mất trung bình 15–20 năm từ phát hiện đến ứng dụng thương mại (theo ước tính của Bộ Năng lượng Mỹ, DOE). GNoME không rút ngắn phần tổng hợp và thử nghiệm thực tế — nhưng nó rút ngắn phần tìm kiếm từ hàng thế kỷ xuống còn vài tuần.

Bài toán lớn nào đang được giải?

Khí hậu. Vật liệu xúc tác mới có thể giúp chuyển đổi CO₂, sản xuất hydro xanh hiệu quả hơn, chế tạo pin lưu trữ năng lượng quy mô lưới điện.

Bệnh tật. Vật liệu y sinh mới — khớp nhân tạo bền hơn, stent mạch máu tương thích sinh học hơn, cảm biến nano phát hiện sớm ung thư.

Đói nghèo và phát triển. Vật liệu xây dựng rẻ, bền, nhẹ — nhà ở giá thấp bền vững cho hàng tỷ người.

Nhưng — và luôn có một "nhưng" — tôi muốn bạn tỉnh táo.

Thứ nhất, GNoME dự đoán cấu trúc ổn định trên lý thuyết. Từ "ổn định trên máy tính" đến "tổng hợp được trong lab" đến "sản xuất được quy mô công nghiệp" là ba khoảng cách rất khác nhau. 736 cấu trúc được A-Lab tổng hợp thành công là con số ấn tượng, nhưng vẫn chỉ là một phần rất nhỏ trong 380.000.

Thứ hai, dữ liệu mở không có nghĩa là sân chơi công bằng. Ai có siêu máy tính, có phòng lab, có tiền — người đó khai thác trước. Các nước đang phát triển, bao gồm Việt Nam, cần đầu tư hạ tầng nghiên cứu nếu không muốn chỉ đứng nhìn.

Thứ ba, khi AI có thể đề xuất vật liệu mới nhanh hơn con người kiểm chứng, câu hỏi an toàn trở nên cấp bách. Một vật liệu ổn định nhiệt động học không có nghĩa là an toàn sinh học hay thân thiện môi trường. Bài học amiăng vẫn còn đó.

Khoa học tăng tốc là tin vui. Nhưng phanh phải tốt bằng ga.

Bảng chấm & nguồn gốc

NGUỒN THAM KHẢO:

1. Merchant, A., Batzner, S., Schoenholz, S.S., Aykol, M., Cheon, G., Cubuk, E.D. — "Scaling deep learning for materials discovery" — Nature, Volume 624, Pages 80–85, 2023.

2. Szymanski, N.J., Renber, B., Aber, Y., et al. (nhóm Gerbrand Ceder, Lawrence Berkeley National Lab) — "An autonomous laboratory for the accelerated synthesis of novel materials" — Nature, Volume 624, Pages 86–91, 2023.

3. Google DeepMind Blog — "Millions of new materials discovered with deep learning" — 29 November 2023.

4. Materials Project (materialsproject.org) — Cơ sở dữ liệu mở về vật liệu, nơi dữ liệu GNoME được tích hợp.