AI mở đường khám phá các hợp chất đất hiếm mới

AI hiện tại được coi là công cụ hữu hiệu để các nhà khoa học khám phá vật liệu. Mới đây, các nhà nghiên ở Phòng thí nghiệm Ames và ĐH Texas A&M đã huấn luyện một mô hình học máy có khả năng đánh giá tính ổn định của các hợp chất đất hiếm.

 

Kết quả này được công bố trên tạp chí Acta Materialia, trong đó đề xuất một khuôn khổ được phát triển dựa trên những phương pháp tiên tiến hiện nay để thử nghiệm các hợp chất và hiểu sâu sắc hơn về độ thiếu ổn định của các hợp chất hóa học. 

Kể từ giữa thế kỷ 20, phòng thí nghiệm Ames là một nơi nghiên cứu hàng đầu về đất hiếm. Các nguyên tố đất hiếm được ứng dụng trong nhiều thứ, bao gồm công nghệ năng lượng sạch, lưu trữ năng lượng và nam châm vĩnh cửu. Việc khám phá ra các hợp chất đất hiếm mới là một phần trong nỗ lực lớn của các nhà khoa học nhằm mở rộng khả năng tiếp cận với các vật liệu này. 

Cách tiếp cận của họ là dựa vào học máy, một phương pháp sử dụng các thuật toán được cải cải thiện thông qua việc sử dụng dữ liệu và đào tạo. Các nhà nghiên cứu đã sử dụng cơ sở dữ liệu đã được cập nhật về các nguyên tố đất hiếm của phòng thí nghiệm Ames (RIC 2.0) và lý thuyết phiếm hàm mật độ (DFT) để xây dựng nền tảng cho mô hình học máy này.

Sàng lọc thông lượng cao là một chương trình tính toán cho phép các nhà nghiên cứu kiểm tra hàng trăm mô hình một cách nhanh chóng. DFT là một phương pháp cơ học lượng tử thường dùng để khảo sát các đặc tính nhiệt động lực học và điện tử của các hệ nhiều hạt. Dựa trên việc thu thập thông tin, mô hình học máy do nhóm nghiên cứu phát triển đã sử dụng phương pháp học hồi quy để đánh giá sự ổn định pha của các hợp chất. 

Tyler Del Rose, nghiên cứu sinh ở ĐH Bang Iowa đã thực hiện nhiều nghiên cứu cơ bản cho cơ cở dữ liệu bằng việc viết các thuật toán tìm kiếm thông tin trên website để bổ sung cho cơ sở dữ liệu này cũng như việc tính toán DFT. Anh cũng nghiên cứu về đánh giá kiểm tra độ chính xác của các dự đoán của AI, sau đó cải thiện các mô hình học máy nhằm đảm bảo là chúng có thể phản ánh thực tế.

“Học máy thực sự rất quan trọng với lĩnh vực này. Nếu nói về những hợp chất mới, tất cả mọi người trong ngành đều biết rõ các vật liệu có cấu trúc trật tự”, nhà khoa học Prashant Singh ở phòng thí nghiệm Ames, người dẫn dắt nghiên cứu này cho biết. “Tuy nhiên, khi thêm ‘rối loạn’ vào các vật liệu đã biết, nó sẽ trở nên khác biệt. Số lượng thành phần tăng lên đáng kể, thường lên tới hàng nghìn hoặc hàng triệu và anh không thể có khả năng tìm hiểu được hết mọi cách kết hợp có thể, dù về lý thuyết hay thực nghiệm”. 

Singh giải thích, việc phân tích vật liệu dựa trên một vòng lặp phản hồi rời rạc, trong đó mô hình học máy được cập nhật nhờ sử dụng cơ sở dữ liệu DFT mới dựa trên thông tin về cấu trúc và giai đoạn theo thời gian thực thu được từ các thí nghiệm. Quá trình này sẽ đảm bảo thông tin được chuyển theo từng bước và giảm nguy cơ nhầm lẫn.

Yaroslav Mudryk, người giám sát dự án, cho biết hệ thống được thiết kế để khám phá các hợp chất đất hiếm vì chúng có tầm quan trọng về mặt công nghệ, nhưng các ứng dụng của nó không chỉ giới hạn trong nghiên cứu đất hiếm. Dựa trên cách tiếp cận này, các nhà khoa học có thể đào tạo mô hình học máy để dự đoán từ tính của các hợp chất, kiểm soát quá trình chuyển đổi sản xuất và tối ưu hóa vận hành máy móc.

“Nó không chỉ có ý nghĩa là để khám phá một hợp chất cụ thể”, Mudryk nói. “Những gì chúng tôi làm là thiết kế một cách tiếp cận, hoặc một công cụ mới để khám phá và dự đoán những hợp chất đất hiếm”. Mudryk nhấn mạnh rằng kết quả này mới chỉ là bước khởi đầu. Nhóm nghiên cứu vẫn đang khám phá toàn bộ tiềm năng của phương pháp này, nhưng họ rất lạc quan về ứng dụng của nó trong tương lai.

Nguòn : Tia sáng – Thanh An dịch

Nguồn: https://phys.org/news/2022-03-artificial-intelligence-paves-rare-earth-compounds.html