Trí Tuệ Nhân Tạo của Google DeepMind Mơ ước Tạo Ra 380.000 Vật Liệu Mới. Thách Thức Tiếp Theo Là Làm Thế Nào Để Tạo Ra Chúng

Các đầu bếp robot đang chăm chỉ thực hiện công thức của họ trong một phòng chật hẹp đầy thiết bị. Một cánh tay robot được gắn khớp chọn lựa và pha trộn nguyên liệu, trong khi một cánh tay khác trượt đi lại trên một đường ray cố định, làm việc với lò nướng. Một cánh tay thứ ba đang chịu trách nhiệm trang trí món ăn, nhẹ nhàng rót nội dung của một chén vào một đĩa. Gerbrand Ceder, một nhà khoa học vật liệu tại Lawrence Berkeley National Lab và UC Berkeley, gật đầu đồng ý khi một cánh tay robot tinh tế kẹp và đậy nắp cho một ống nhựa trống—một nhiệm vụ đặc biệt khó khăn, và một trong những điều anh ấy thích quan sát. “Những gã này có thể làm việc suốt đêm,” Ceder nói, nhìn hai sinh viên nghiên cứu của mình một cách trêu ghẹo.

Với những nguyên liệu như oxit nickel và cacbonat lithium, cơ sở được trang bị, gọi là A-Lab, được thiết kế để tạo ra vật liệu mới và thú vị, đặc biệt là những loại có thể hữu ích cho thiết kế pin trong tương lai. Kết quả có thể không đoán trước được. Ngay cả một nhà khoa học đương đại cũng thường làm sai công thức lần đầu tiên. Vì vậy, đôi khi các robot tạo ra một bột đẹp mắt. Đôi khi là một hỗn hợp dính nhầy tan chảy, hoặc tất cả bay hơi và không còn gì. “Tại thời điểm đó, con người sẽ phải quyết định: Bây giờ tôi làm gì?” Ceder nói.

Các robot được thiết kế để làm như vậy. Chúng phân tích những gì chúng đã tạo ra, điều chỉnh công thức và thử lại. Và lại nữa. Và lại nữa. “Buổi sáng bạn cho họ một số công thức và khi bạn về nhà có thể bạn sẽ có một chiếc bánh soufflé mới tươi đẹp,” nhà khoa học vật liệu Kristin Persson, đồng nghiệp chặt chẽ của Ceder tại LBNL (và cũng là vợ ông), nói. Hoặc bạn có thể chỉ trở về với một mớ hỗn hợp cháy đen. “Nhưng ít nhất ngày mai họ sẽ làm ra một chiếc bánh soufflé ngon hơn nhiều.”

Tìm những chiếc kim trong đống rơm bắt đầu bằng việc thực sự tạo ra chúng, điều này là lý do thêm phần cần phải làm việc nhanh chóng và qua đêm. Trong một loạt thí nghiệm gần đây tại LBNL, cũng được công bố hôm nay trên Tạp chí Nature, phòng thí nghiệm tự động của Ceder đã có thể tạo ra 41 vật liệu được lý thuyết trong vòng 17 ngày, giúp xác minh cả mô hình Trí Tuệ Nhân Tạo và các kỹ thuật robot của phòng thí nghiệm.

Khi quyết định liệu một vật liệu có thể được sản xuất thực sự hay không, có thể bằng tay con người hoặc cánh tay robot, một trong những câu hỏi đầu tiên cần hỏi là liệu nó có ổn định hay không. Nói chung, điều đó có nghĩa là cấu trúc nguyên tử của nó được sắp xếp vào trạng thái năng lượng thấp nhất có thể. Nếu không, tinh thể sẽ muốn trở thành điều gì khác. Trong hàng ngàn năm, con người đã liên tục bổ sung vào danh sách các vật liệu ổn định, ban đầu bằng cách quan sát những vật liệu được tìm thấy trong tự nhiên hoặc phát hiện chúng thông qua trực giác hóa học cơ bản hoặc tai nạn. Gần đây hơn, những ứng viên đã được thiết kế với máy tính.

Chọn xem video: Các cánh tay robot nhặt mẫu và đặt chúng vào lò

Vấn đề, theo Persson, là sự thiên vị: Theo thời gian, kiến thức tổng hợp đó đã ưu ái những cấu trúc và nguyên tố quen thuộc. Các nhà khoa học vật liệu gọi điều này là “hiệu ứng Edison,” tham chiếu đến sự thử và sai nhanh chóng của ông để tạo ra sợi đèn đốt, thử nghiệm hàng ngàn loại than chì trước khi đến với loại có nguồn gốc từ tre. Mất thêm mười năm nữa, một nhóm người Hungary mới tạo ra được tungsten. “Ông bị hạn chế bởi kiến thức của mình,” Persson nói. “Ông thiên vị, ông tin chắc.”

Phương pháp của DeepMind nhằm nhìn xa hơn những thiên vị đó. Nhóm bắt đầu với 69.000 vật liệu từ thư viện của Persson, miễn phí và được tài trợ bởi Bộ Năng Lượng Hoa Kỳ. Đó là một bước khởi đầu tốt, vì cơ sở dữ liệu chứa thông tin năng lượng chi tiết cần thiết để hiểu tại sao một số vật liệu ổn định và một số không. Nhưng không đủ dữ liệu để vượt qua điều mà Ekin Dogus Cubuk, nhà nghiên cứu của Google DeepMind gọi là một “mâu thuẫn triết học” giữa học máy và khoa học kinh nghiệm. Như Edison, Trí Tuệ Nhân Tạo gặp khó khăn trong việc tạo ra ý tưởng thực sự mới mẻ hơn những gì đã từng thấy trước đây. “Trong vật lý, bạn không muốn học một điều bạn đã biết,” ông nói. “Bạn hầu như luôn muốn tổng quát hóa ra khỏi lĩnh vực”—dù đó là để khám phá một loại vật liệu pin khác nhau hoặc một lý thuyết siêu dẫn mới.

GNoME dựa vào một phương pháp gọi là học tích cực. Trước tiên, một Trí Tuệ Nhân Tạo gọi là mạng neural đồ thị, hoặc GNN, sử dụng cơ sở dữ liệu để học các mẫu trong các cấu trúc ổn định và tìm ra cách để tối thiểu hóa năng lượng trong các liên kết nguyên tử trong các cấu trúc mới. Sử dụng toàn bộ bảng tuần hoàn, nó sau đó tạo ra hàng ngàn ứng viên có khả năng ổn định. Bước tiếp theo là xác minh và điều chỉnh chúng, sử dụng một kỹ thuật cơ học lượng tử gọi là lý thuyết mật độ hàm, hoặc DFT. Kết quả được tinh chế sau đó được đưa trở lại dữ liệu huấn luyện và quá trình được lặp lại.

Các nhà nghiên cứu đã phát hiện rằng, sau nhiều lần lặp lại, phương pháp này có thể tạo ra các cấu trúc phức tạp hơn so với những gì ban đầu trong tập dữ liệu Dự án Vật liệu, bao gồm cả những cấu trúc được tạo từ năm hoặc sáu nguyên tố duy nhất. (Tập dữ liệu được sử dụng để huấn luyện Trí Tuệ Nhân Tạo chủ yếu giới hạn ở bốn nguyên tố.) Những loại vật liệu đó liên quan đến nhiều tương tác nguyên tử phức tạp đến mức chúng thường thoát ra khỏi trực giác của con người. “Chúng khó tìm kiếm,” Cubuk nói. “Nhưng bây giờ chúng không còn quá khó tìm kiếm nữa.”

Tuy nghiên cứu DFT chỉ là xác nhận lý thuyết. Bước tiếp theo là thực sự tạo ra một điều gì đó. Vì vậy, nhóm của Ceder đã chọn 58 tinh thể để tạo ra trong A-Lab. Sau khi xem xét khả năng của phòng thí nghiệm và các chất điều chế có sẵn, đó là một lựa chọn ngẫu nhiên. Và ban đầu, như dự đoán, các robot thất bại, sau đó điều chỉnh công thức của họ liên tục. Sau 17 ngày thử nghiệm, A-Lab đã sản xuất được 41 vật liệu, chiếm 71%, đôi khi sau khi thử nghiệm một tái công thức khác nhau.

Taylor Sparks, một nhà khoa học vật liệu tại Đại học Utah không liên quan đến nghiên cứu, cho biết việc sử dụng tự động hóa cho quá trình tổng hợp vật liệu mới là một điều đáng kỳ vọng. Nhưng ông cho rằng việc sử dụng Trí Tuệ Nhân Tạo để đề xuất hàng ngàn vật liệu giả định mới, và sau đó đi săn lùng chúng với tự động hóa, thực tế thì không khả thi. Ông nói rằng GNNs đang trở nên phổ biến để phát triển ý tưởng mới cho vật liệu, nhưng thông thường các nhà nghiên cứu muốn điều chỉnh nỗ lực của họ để tạo ra các vật liệu có tính chất hữu ích—không phải mù quáng sản xuất hàng trăm nghìn loại vật liệu. “Chúng ta đã có quá nhiều điều mà chúng ta muốn nghiên cứu hơn là chúng ta có thể vật lý,” ông nói. “Tôi nghĩ thách thức là, liệu việc tổng hợp quy mô này có tiếp cận với dự đoán hay không? Chưa chút nào.”

Chỉ có một phần nhỏ trong số 380.000 vật liệu trong bài báo Nature có thể cuối cùng trở thành thiết thực để tạo ra. Một số liên quan đến nguyên tố phóng xạ, hoặc những nguyên tố quá đắt đỏ hoặc hiếm. Một số sẽ yêu cầu các loại tổng hợp liên quan đến điều kiện cực đoan mà không thể sản xuất trong phòng thí nghiệm, hoặc các chất điều chế mà các nhà cung cấp phòng thí nghiệm không có sẵn.

Điều này có thể đúng ngay cả đối với những vật liệu có thể rất tiềm năng cho việc tạo ra viên pin mặt trời hoặc thiết kế pin. “Chúng tôi đã tạo ra rất nhiều vật liệu cool,” Persson nói. “Nhưng việc tạo ra và kiểm tra chúng luôn là điểm nghẽn cứng, đặc biệt nếu đó là một vật liệu mà chưa ai từng tạo ra trước đây. Số lượng người tôi có thể gọi trong vòng bạn bè của mình để nói, ‘Chắc chắn, để tôi giúp bạn,’ gần như chỉ là một hoặc hai người.”

“Thực sự à, cao thế à?” Ceder nói xen vào với một tiếng cười.

Ngay cả khi một vật liệu có thể được tạo ra, có một con đường dài để biến một tinh thể cơ bản thành một sản phẩm. Persson đề cập đến ví dụ về một điện phân bên trong viên pin lithium-ion. Những dự đoán về năng lượng và cấu trúc của một tinh thể có thể được áp dụng vào các vấn đề như việc tìm ra cách mà ion lithium có thể dễ dàng di chuyển qua nó—một khía cạnh then chốt của hiệu suất. Nhưng điều mà nó không thể dự đoán dễ dàng là liệu điện phân đó có phản ứng với các vật liệu láng giềng và phá hủy cả thiết bị. Ngoài ra, nói chung, tính ứng dụng của vật liệu mới chỉ trở nên rõ ràng khi kết hợp với các vật liệu khác hoặc thông qua việc điều chỉnh chúng bằng phụ gia.

Tuy nhiên, phạm vi mở rộng của vật liệu mở ra những khả năng mới cho quá trình tổng hợp, và cũng cung cấp thêm dữ liệu cho các chương trình Trí Tuệ Nhân Tạo trong tương lai, theo Anatole von Lilienfeld, một nhà khoa học vật liệu tại Đại học Toronto không tham gia vào nghiên cứu. Nó cũng giúp nhấn mạnh vai trò của các nhà khoa học vật liệu rời xa khỏi các thiên vị của họ và hướng họ về những điều chưa biết. “Mỗi bước tiến mới bạn đạt được là tuyệt vời,” ông nói. “Nó có thể mở ra một lớp hợp chất mới.”

Pushmeet Kohli, phó chủ tịch nghiên cứu tại Google DeepMind, cho biết Google cũng quan tâm đến việc khám phá các khả năng của các vật liệu mới được tạo ra bởi GNoME. Ông so sánh GNoME với AlphaFold, phần mềm của công ty đã làm cho các nhà sinh học cấu trúc kinh ngạc với sự thành công trong việc dự đoán cách protein gập lại. Cả hai đều đang giải quyết các vấn đề cơ bản bằng cách tạo ra một kho dữ liệu mới mà các nhà khoa học có thể khám phá và mở rộng. Từ đây, công ty dự định làm việc với các vấn đề cụ thể hơn, ông nói, như tập trung vào các tính chất vật liệu thú vị và sử dụng Trí Tuệ Nhân Tạo để tăng tốc quá trình tổng hợp. Cả hai đều là các vấn đề thách thức, vì thông thường dữ liệu để bắt đầu thường ít hơn rất nhiều so với việc dự đoán sự ổn định.

Kohli cho biết công ty đang khám phá các lựa chọn để làm việc trực tiếp với vật liệu vật lý hơn, có thể là bằng cách hợp tác với các phòng thí nghiệm bên ngoài hoặc tiếp tục với các đối tác học thuật. Ông cũng có thể thiết lập phòng thí nghiệm của riêng mình, ông thêm vào, tham chiếu đến Isomorphic Labs, một công ty con khám phá dược phẩm từ DeepMind được thành lập vào năm 2021 sau thành công của AlphaFold.

Có thể có những vấn đề phức tạp cho các nhà nghiên cứu cố gắng áp dụng các vật liệu vào việc sử dụng thực tế. Dự Án Vật liệu được ưa chuộng cả trong các phòng thí nghiệm học thuật và doanh nghiệp vì nó cho phép bất kỳ loại sử dụng nào, bao gồm cả các dự án thương mại. Vật liệu của Google DeepMind được phát hành dưới một bản quyền riêng biệt cấm sử dụng thương mại. “Nó được phát hành cho mục đích học thuật,” Kohli nói. “Nếu mọi người muốn điều tra và khám phá các đối tác thương mại, và vân vân, chúng tôi sẽ xem xét từng trường hợp một.”

Nhiều nhà khoa học làm việc với các vật liệu mới ghi nhận rằng không rõ công ty sẽ có quyền quyết định như thế nào nếu việc thử nghiệm trong một phòng thí nghiệm học thuật dẫn đến việc sử dụng thương mại cho vật liệu được tạo ra từ GNoME. Một ý tưởng về một tinh thể mới—không có mục đích sử dụng cụ thể—thông thường không thể được cấp bằng sáng chế, và việc truy vết nguồn gốc của nó trở lại cơ sở dữ liệu có thể khó khăn.

Kohli cũng cho biết trong khi dữ liệu đang được phát hành, không có kế hoạch hiện tại để phát hành mô hình GNoME. Ông chỉ ra các yếu tố an toàn—phần mềm lý thuyết có thể được sử dụng để tạo ra các vật liệu nguy hiểm, ông nói—và sự không chắc chắn về chiến lược vật liệu của Google DeepMind. “Việc dự đoán tác động thương mại sẽ ra sao là khó khăn,” Kohli nói.

Sparks mong đợi các đồng nghiệp học thuật của mình sẽ phản đối việc thiếu mã nguồn cho GNoME, giống như các nhà sinh học đã làm khi AlphaFold được xuất bản ban đầu mà không có một mô hình hoàn chỉnh. (Công ty sau đó đã phát hành nó.) “Thật tệ,” ông nói. Các nhà khoa học vật liệu khác có thể muốn tái tạo kết quả và điều tra cách cải thiện hoặc điều chỉnh mô hình cho các ứng dụng cụ thể. Nhưng mà không có mô hình, họ không thể làm cả hai, Sparks nói.

Trong khi đó, các nhà nghiên cứu của Google DeepMind hy vọng hàng trăm nghìn vật liệu mới sẽ đủ để khiến các nhà lý thuyết và tổng hợp—cả người và robot—bận rộn. “Mọi công nghệ đều có thể được cải thiện bằng vật liệu tốt hơn. Đó là một rào cản,” Cubuk nói. “Đây là lý do tại sao chúng ta phải tạo điều kiện cho lĩnh vực này bằng cách khám phá thêm vật liệu, và giúp mọi người khám phá thêm nữa.”