Microsoft và PNNL dùng AI tăng tốc xác định vật liệu có thể sản xuất pin với lithium ít hơn 70%

Nhịp đập khoa học - Ngày đăng : 09:18, 10/01/2024

Microsoft thông báo đã làm việc với một phòng thí nghiệm quốc gia Mỹ, sử dụng trí tuệ nhân tạo (AI) để nhanh chóng xác định loại vật liệu có thể sản xuất pin với lithium ít hơn 70% so với hiện nay.
Nhịp đập khoa học

Microsoft và PNNL dùng AI tăng tốc xác định vật liệu có thể sản xuất pin với lithium ít hơn 70%

Sơn Vân 10/01/2024 09:18

Microsoft thông báo đã làm việc với một phòng thí nghiệm quốc gia Mỹ, sử dụng trí tuệ nhân tạo (AI) để nhanh chóng xác định loại vật liệu có thể sản xuất pin với lithium ít hơn 70% so với hiện nay.

Việc thay thế phần lớn lithium bằng natri, nguyên tố phổ biến có trong muối ăn, vẫn cần được các nhà khoa học tại Phòng thí nghiệm quốc gia Tây Bắc Thái Bình Dương (PNNL) ở thành phố Richland (bang Washington, Mỹ) đánh giá sâu rộng để xác định xem liệu nó có phù hợp để sản xuất hàng loạt hay không.

Jason Zander, Phó chủ tịch điều hành Microsoft, nói với hãng tin Reuters: “Một việc có thể mất nhiều năm nhưng chúng tôi đã làm được trong hai tuần. Đó là phần chúng tôi hào hứng nhất… Chúng tôi chỉ mới giải quyết một vấn đề. Còn hàng ngàn vấn đề khác cần giải quyết và công nghệ này có thể áp dụng cho tất cả".

Công nghệ mới một ngày nào đó có thể được ứng dụng trong ô tô, lưới điện và những nơi khác cần có pin. Microsoft - PNNL dùng ít lithium hơn (đắt tiền để khai thác và tập trung ở một số quốc gia) và sử dụng nhiều natri (rẻ và dồi dào) hơn.

Brian Abrahamson, Giám đốc kỹ thuật số của PNNL, cho biết trong một cuộc phỏng vấn rằng quy trình được sử dụng để tìm vật liệu pin thay thế có thể áp dụng cho nhiều vấn đề khoa học vật liệu và hóa học khác mà phòng thí nghiệm này đang nghiên cứu.

Microsoft đã sử dụng kết hợp các mô hình AI được đào tạo trên dữ liệu khoa học về phân tử và siêu máy tính khoa học truyền thống. Việc này có thể thu hẹp hơn 32 triệu khả năng xuống còn 18 ứng cử viên, mà sau đó các nhà khoa học PNNL đã kiểm tra để quyết định xem đâu là những loại cần tổng hợp và thử nghiệm trong phòng thí nghiệm.

Brian Abrahamson nói: “Điều kỳ diệu ở đây là tốc độ của AI, hỗ trợ việc xác định các sản phẩm và vật liệu cũng như khả năng của chúng tôi để biến những ý tưởng đó thành hiện thực trong phòng thí nghiệm. Tất cả những điều đó đều được đưa vào để hỗ trợ cho cá nhân một nhà khoa học. Đây là sự thay đổi mô hình mà chúng tôi đang xem xét. Với chúng tôi, nó mang lại triển vọng to lớn".

microsoft-dung-ai-tang-toc-xac-dinh-vat-lieu-co-the-san-xuat-pin-voi-it-lithium-hon-70.jpg
Nhà khoa học Dan Thien Nguyen làm việc ở PNNL - Ảnh: Reuters

Trước đó, Google DeepMind (công ty AI thuộc sở hữu của Alphabet) thông báo sử dụng AI để dự đoán cấu trúc hơn 2 triệu vật liệu mới, một bước đột phá mà hãng cho biết có thể sớm được sử dụng để cải thiện các công nghệ trong thế giới thực.

Thông qua bài nghiên cứu đăng trên tạp chí khoa học Nature, Google DeepMind cho biết gần 400.000 trong số các thiết kế vật liệu giả định của họ có thể sớm được sản xuất ở điều kiện phòng thí nghiệm. Các ứng dụng tiềm năng của nghiên cứu này gồm sản xuất pin, tấm pin năng lượng mặt trời và chip máy tính có hiệu suất tốt hơn.

Việc phát hiện và tổng hợp các vật liệu mới có thể là quá trình tốn kém, mất thời gian. Ví dụ, phải mất khoảng hai thập kỷ nghiên cứu trước khi pin lithium-ion, ngày nay được dùng để cung cấp năng lượng cho mọi thứ từ điện thoại di động, máy tính xách tay đến ô tô điện, xuất hiện trên thị trường.

Ekin Dogus Cubuk, nhà khoa học nghiên cứu tại Google DeepMind, cho biết: “Chúng tôi hy vọng rằng những cải tiến lớn trong thử nghiệm, tổng hợp tự động và mô hình học máy sẽ rút ngắn đáng kể khoảng thời gian 10 đến 20 năm đó xuống mức ít hơn nhiều”.

Học máy là một lĩnh vực trong AI tập trung vào việc phát triển các thuật toán và mô hình máy tính có khả năng học hỏi từ dữ liệu và cải thiện hiệu suất của chúng theo thời gian mà không cần lập trình cụ thể. Các hệ thống học máy có khả năng tự động tìm hiểu và áp dụng kiến thức từ dữ liệu để thực hiện các nhiệm vụ cụ thể như phân loại, dự đoán, nhận dạng mẫu và tối ưu hóa quyết định.

Những ứng dụng của học máy rất đa dạng và bao gồm trong lĩnh vực như xử lý ngôn ngữ tự nhiên, thị giác máy tính, xe tự hành, dự đoán thời tiết, quản lý dữ liệu lớn...

Học máy đã có sự tiến bộ đáng kể trong thập kỷ gần đây, nhờ sự phát triển của các mô hình học sâu (deep learning) và khả năng xử lý dữ liệu lớn (big data), mang lại nhiều cơ hội và tiềm năng trong việc giải quyết các vấn đề phức tạp và cải thiện hiệu suất trong nhiều lĩnh vực khác nhau.

AI của Google DeepMind được đào tạo dựa trên dữ liệu từ Materials Project (Dự án Vật liệu), nhóm nghiên cứu quốc tế được thành lập tại Phòng thí nghiệm quốc gia Lawrence Berkeley (Mỹ) vào năm 2011, gồm cả nghiên cứu hiện có về khoảng 50.000 vật liệu đã biết đến.

Google DeepMind cho biết giờ đây công ty sẽ chia sẻ dữ liệu của mình với cộng đồng nghiên cứu với hy vọng thúc đẩy những đột phá hơn nữa trong khám phá vật liệu.

Kristin Persson, Giám đốc Materials Project, nói: “Ngành công nghiệp thường có xu hướng tránh rủi ro khi nói đến việc tăng chi phí, và vật liệu mới thường mất một khoảng thời gian trước khi trở nên hiệu quả về chi phí. Nếu chúng ta có thể làm giảm điều đó thậm chí một chút nữa thì sẽ được xem xét là sự đột phá thực sự”.

Sau khi sử dụng AI để dự đoán độ ổn định của những vật liệu mới này, Google DeepMind cho biết giờ đây công ty sẽ chuyển trọng tâm sang việc dự đoán mức độ tổng hợp chúng trong phòng thí nghiệm dễ dàng ở mức độ nào.

DeepMind là công ty AI có trụ sở tại London (thủ đô Anh), ra đời vào năm 2010 và sau đó được Google mua lại hồi năm 2014 với giá khoảng 500 triệu USD. Google DeepMind nổi tiếng với các nghiên cứu và phát triển trong lĩnh vực AI, đặc biệt là trong các lĩnh vực như học máy, học sâu và học máy tăng cường. Công ty này đã đạt được nhiều thành tựu nổi bật, trong đó có việc phát triển các hệ thống AI chơi cờ vua và cờ vây với hiệu suất đỉnh cao, cũng như trong các ứng dụng y học và năng lượng.

Gần đây, Google DeepMind tuyên bố đã phát triển một thuật toán học máy có thể dự đoán thời tiết chính xác hơn các phương pháp dự báo hiện tại, đang sử dụng siêu máy tính.

GraphCast, mô hình AI dự báo thời tiết của Google DeepMind, dự báo thời tiết trong 10 ngày chính xác hơn hệ thống High Resolution Forecast (HRES), một tiêu chuẩn ngành lâu đời của Trung tâm Dự báo thời tiết trung hạn châu Âu (ECMWF). GraphCast đưa ra dự đoán tính bằng phút thay vì hàng giờ, vượt qua khả năng của HRES, vốn là hệ thống mô phỏng thời tiết tiêu chuẩn hiện nay.

Sơn Vân