Kết quả nghiên cứu này có thể góp phần đẩy nhanh quá trình phát triển vật liệu quang điện và vật liệu lượng tử trong thời gian tới.
Nghiên cứu của nhóm TS. Nguyễn Tuấn Hưng được chọn làm ảnh bìa cho tạp chí Advanced Materials.
Tìm kiếm nguồn năng lượng mới là một trong những bài toán quan trọng để đảm bảo an ninh năng lượng trên toàn cầu. Năng lượng sạch nói chung và việc chuyển hoá năng lượng mặt trời thành điện năng nói riêng là chủ đề đặc biệt được quan tâm bởi tính chất sẵn có của năng lượng mặt trời. Mặc dù cho đến nay đã có nhiều nghiên cứu về vật liệu để chuyển hoá năng lượng từ “mẹ thiên nhiên” này, tuy nhiên việc tìm kiếm một vật liệu hiệu quả với giá thành thấp vẫn đang là một thách thức trong nghiên cứu cơ bản. “Làm sao có thể tìm kiếm vật liệu năng lượng tối ưu một cách nhanh chóng nhất từ hàng trăm nghìn vật liệu vô cơ có sẵn hiện nay? Đó là câu hỏi mà chúng tôi muốn tìm câu trả lời”, TS. Nguyễn Tuấn Hưng chia sẻ với Báo KH&PT.
Tận dụng đa yếu tố
Là một chủ đề “nóng” liên quan đến năng lượng, tất nhiên, cũng đã có không ít các nghiên cứu được thực hiện trước đây nhằm tìm ra các vật liệu mới. Tuy nhiên, theo TS. Nguyễn Tuấn Hưng, các nghiên cứu này thường tập trung vào thực nghiệm hoặc tính toán lý thuyết. Mặc dù thực nghiệm hoặc tính toán lý thuyết có thể cung cấp những bằng chứng đáng tin cậy và các hiểu biết sâu sắc về đặc tính và tính chất của vật liệu, các phương pháp này chỉ phù hợp với từng vật liệu cụ thể. “Cả thực nghiệm hoặc tính toán lý thuyết đều đòi hỏi nhiều công đoạn, như chuẩn bị mẫu, đo lường, và thời gian tính toán. Do đó, các phương pháp này không phù hợp để dự đoán tính chất vật liệu hàng loạt”, TS. Nguyễn Tuấn Hưng giải thích với Báo KH&PT.
Công cụ AI có tên GNNOpt có thể dự đoán chính xác quang phổ quang học chỉ dựa trên cấu trúc tinh thể và đẩy nhanh quá trình phát triển vật liệu quang điện và lượng tử. Ảnh: Nhóm nghiên cứu
Giải thích thêm về những hạn chế trong các nghiên cứu trước đây, nhóm nghiên cứu cho biết, việc thu được phổ quang học với một dải năng lượng rộng là một thách thức trong thực nghiệm do những hạn chế của bước sóng laser. Không chỉ vậy, việc mô phỏng cũng phức tạp, đòi hỏi tiêu chuẩn hội tụ cao cũng như chi phí tính toán không hề nhỏ. Do đó, từ lâu các nhà khoa học đã tìm kiếm các phương pháp hiệu quả hơn để dự đoán phổ quang học của nhiều vật liệu khác nhau. Một trong số các phương pháp như vậy là “máy học”, và để dự đoán quang học, mô hình máy học thường được sử dụng là mạng noron đồ thị (GNN). Song, trong khi GNN đã cho thấy triển vọng trong việc dự đoán các đặc tính vật liệu, chúng lại thiếu tính “phổ quát”, đặc biệt là trong cách GNN biểu diễn cấu trúc tinh thể. Do đó, “tăng tốc dự đoán tính chất vật liệu bằng AI đã được nghiên cứu trước đây. Tuy nhiên, cho đến nay, vẫn chưa có một mô hình AI hiệu quả cho vật liệu năng lượng”, TS. Nguyễn Tuấn Hưng cho biết.
Đó là lý do năm 2023, khi nhận được tài trợ từ chương trình "Researcher, Young Leaders Overseas Program" của trường Đại học Tohoku để tham gia thỉnh giảng tại phòng thí nghiệm của GS Mingda Li tại MIT, anh và các đồng nghiệp đã nhanh chóng tận dụng cơ hội này để cùng đi tìm lời giải cho bài toán “Dự đoán tính chất quang học của vật liệu bằng AI”. “Nhóm GS Mingda Li là một trong những nhóm mạnh về AI tại MIT, trong khi đó tôi cũng đã có nhiều năm nghiên cứu về vật liệu năng lượng tại Viện Nghiên Cứu Liên Ngành tại Đại học Tohoku. Vì vậy chúng tôi đã hợp tác và thảo luận trực tiếp với nhau về cách sử dụng các mô hình AI cho bài toán về vật liệu năng lượng dựa trên tính chất quang học”, TS. Nguyễn Tuấn Hưng nhớ lại. Sau vài tháng thảo luận, anh và các đồng nghiệp đã thành công xây dựng một mô hình AI hiệu quả có tên GNNOpt có thể dự đoán nhanh chóng khả năng chuyển hoá năng lượng từ năng lượng mặt trời thành điện năng của vật liệu, nhờ vào việc sử dụng cấu trúc tinh thể của vật liệu làm đầu vào.
.jpg)
Trợ lý giáo sư, TS. Nguyễn Tuấn Hưng.
Điểm thách thức nhất trong nghiên cứu này là phải xây dựng được mô hình AI không những có thể dự đoán được tính chất của vật liệu mà còn phải nắm được các khái niệm vật lý của tính chất đó. “Nền tảng của vật liệu cho pin mặt trời là tính chất quang học của vật liệu đó. Song, tính chất quang học rất phức tạp, phụ thuộc vào nhiều yếu tố, như khối lượng, bán kính, độ phân cực,... của từng nguyên tử trong vật liệu”, TS. Nguyễn Tuấn Hưng giải thích. Trong các nghiên cứu trước đây, mô hình AI thường chỉ sử dụng một yếu tố như là một tham số đầu vào và tính chất vật liệu là một tham số đầu ra. “Vậy, cần phải cải tiến mô hình AI như thế nào nếu tính chất của vật liệu phu thuộc vào nhiều yếu tố vật lý cùng một lúc? Làm thế nào để AI có thể nắm bắt được yếu tố vật lý nào là quan trọng nhất?”, anh nhớ lại những câu hỏi mà cả nhóm nghiên cứu cùng trăn trở trong những ngày mò mẫm tìm câu trả lời.
Sau thời gian nghiên cứu, Trợ lý Giáo sư, TS. Nguyễn Tuấn Hưng và các đồng nghiệp đã lần đầu tiên đề xuất một mô hình AI mới với khả năng "nhúng toàn bộ phổ quát" để giải quyết những thách thức kể trên. Nhúng toàn bộ có nghĩa là đồng thời đưa toàn bộ các yếu tố vật lý khác nhau làm đầu vào thay vì chỉ một yếu tố như các mô hình trước đây. Không chỉ vậy, nhóm nghiên cứu cũng bổ sung một lớp có khả năng tối ưu để chỉ ra yếu tố nào có đóng góp quan trọng nhất cho tính chất của vật liệu. “Tính chất 'phổ quát' của mô hình này là lớp nhúng của chúng tôi có thể áp dụng vào mọi cấu trúc AI khác nhau một cách dễ dàng”, TS. Nguyễn Tuấn Hưng chia sẻ điểm đặc biệt của nghiên cứu. “Điều này có ý nghĩa không những cho cộng đồng khoa học vật liệu nói riêng mà còn cả cộng đồng AI nói chung”.
Kết quả nghiên cứu mới đây đã được công bố trong bài báo “Universal Ensemble‐Embedding Graph Neural Network for Direct Prediction of Optical Spectra from Crystal Structures” trên tạp chí Advanced Materials.
Sánh vai với mô phỏng lượng tử
Không chỉ thành công dự đoán tính chất quang học của hàng nghìn vật liệu với thời gian chỉ vài phút trên một máy tính cá nhân, với công cụ AI mới của nhóm nghiên cứu, độ chính xác của dự đoán từ công cụ AI “còn có thể so sánh được với tính toán từ mô phỏng lượng tử”, TS. Nguyễn Tuấn Hưng chia sẻ. “Chúng tôi nhận thấy rằng với cùng một quy mô dữ liệu bao gồm hàng nghìn vật liệu, công cụ AI nhanh hơn hàng triệu lần so với mô phỏng lượng tử. Từ tính chất quang học của vật liệu, chúng tôi không những sử dụng nó để sàng lọc các vật liệu tốt nhất cho pin năng lượng mặt trời mà còn sàng lọc các vật liệu lượng tử - loại vật liệu cũng phụ thuộc chặt chẽ vào tính chất quang học của vật liệu”, anh cho biết. Kết quả này cho thấy khả năng dự đoán của AI đóng một vai trò quan trọng trong thiết kế hiệu quả vật liệu mới.
Với khả năng tăng tốc thiết kế và dự đoán vật liệu của AI, nhóm nghiên cứu đánh giá công cụ GNNOpt sẽ có ý nghĩa trong việc rút ngắn thời gian phát triển và thương mại hoá vật liệu. “Với phương pháp truyền thống, có thể mất cả một thập kỷ để một vật liệu mới đi từ phòng thí nghiệm đến các sản phẩm ứng dụng thực tế. Tuy nhiên với sự hỗ trợ của AI, thời gian đó có thể rút ngắn xuống vài năm”, TS. Nguyễn Tuấn Hưng nhận định. Ngoài việc dự đoán vật liệu năng lượng, mô hình AI của nhóm nghiên cứu cũng có thể được sử dụng để phát hiện những vật liệu lượng tử - những vật liệu có tính chất vượt trội, chẳng hạn như độ dẫn điện so với vật liệu bán dẫn thông thường. “Vì vậy công cụ này cũng có thể đem lại giá trị to lớn đối với sự phát triển của ngành công nghiệp bán dẫn trong thời gian tới”, anh hình dung.
Nhìn về tương lai, hướng nghiên cứu mà TS. Nguyễn Tuấn Hưng và các đồng nghiệp mong muốn theo đuổi là phát triển những thế hệ tiếp theo của mô hình AI để có thể dự đoán được nhiều tính chất của vật liệu hơn. “Việc dự đoán sẽ không chỉ giới hạn ở tính chất quang học, mà còn có thể là cả cơ học, từ tính,... Từ đó, chúng ta sẽ có thể có nhiều ứng dụng thực tế với sự kết hợp của AI và vật liệu để phục vụ nhu cầu của xã hội”, anh chia sẻ.
|
Trợ lý Giáo sư, TS. Nguyễn Tuấn Hưng nhận bằng Tiến sĩ Vật lý và Chương trình Tiến sĩ Liên ngành từ Đại học Tohoku (Nhật Bản) vào tháng 4 năm 2019. Sau đó, anh là trợ lý giáo sư tại Viện Nghiên cứu Liên ngành (FRIS), Đại học Tohoku.
Anh từng là học giả thỉnh giảng tại Viện Hàn lâm Khoa học Trung Quốc (2017) theo Chương trình MD và Viện Công nghệ Massachusetts (2023-2024) theo Chương trình Nhà nghiên cứu, Lãnh đạo trẻ ở nước ngoài. Ngoài ra, anh đã nhận được Giải thưởng Aoba Society for the Promotion of Science từ Đại học Tohoku (2017), Học bổng nghiên cứu cho các nhà khoa học trẻ từ Hiệp hội Xúc tiến Khoa học Nhật Bản (2018) và Nghiên cứu viên nổi bật từ Đại học Tohoku (2021-2025).
Lĩnh vực nghiên cứu chính của anh hiện nay là vật lý chất rắn, vật liệu và năng lượng.
|