AI ‘hiểu vật lý’ đang thay đổi cách Lầu Năm Góc phát triển vũ khí
Một bài mô phỏng dòng khí qua vòi phun động cơ tàu vũ trụ có thể mất hàng giờ. Theo Luminary, mô hình do công ty này và Northrop Grumman phát triển có thể cho kết quả trong 2-5 giây trên một GPU NVIDIA L4.
Công nghệ đứng sau mức tăng tốc này được gọi là Physics AI, có thể hiểu là AI dành cho các bài toán vật lý và mô phỏng kĩ thuật. Nó giúp kỹ sư sàng lọc nhanh nhiều phương án trước khi chuyển sang mô phỏng chi tiết, chế tạo nguyên mẫu và thử nghiệm thực tế.
AI ‘hiểu vật lý’ khác mô hình ngôn ngữ lớn ra sao?
Các mô hình ngôn ngữ lớn chủ yếu học từ văn bản để dự đoán nội dung tiếp theo. Mô hình Physics AI được xây cho mục tiêu khác, nó ước tính một hệ thống thật sẽ phản ứng ra sao khi hình dạng hoặc điều kiện hoạt động thay đổi.
Dữ liệu huấn luyện thường đến từ mô phỏng, thử nghiệm và dữ liệu kĩ thuật. Chẳng hạn, kỹ sư có thể muốn biết việc đổi hình dạng vòi phun ảnh hưởng thế nào tới dòng khí hay thay góc cánh tên lửa làm lực cản tăng hay giảm.
Theo cách truyền thống, mỗi thay đổi như vậy có thể cần một bài mô phỏng mới và mất hàng giờ tính toán. Physics AI rút ngắn quá trình này bằng cách học từ nhiều kết quả mô phỏng có sẵn. Sau khi huấn luyện, mô hình có thể nhanh chóng ước tính kết quả cho một thiết kế mới nằm trong phạm vi dữ liệu mà nó từng học.
Gọi đây là AI “hiểu vật lý” chỉ là cách nói dễ hình dung. Hệ thống không hiểu định luật Newton hay khí động học như con người, mà học các quan hệ toán học giữa đầu vào và kết quả. Một số mô hình còn đưa quy tắc vật lý vào quá trình huấn luyện để hạn chế dự đoán sai.
NVIDIA hiện phát triển Physics AI cho động lực học chất lỏng, cơ học kết cấu và điện từ trường, những lĩnh vực liên quan trực tiếp tới máy bay, tên lửa, động cơ và radar.
Phân biệt Physics AI và Physical AI
Theo cách NVIDIA thường dùng, Physics AI chủ yếu phục vụ mô phỏng và thiết kế kĩ thuật, còn Physical AI (AI vật lý) chỉ những hệ thống trực tiếp hoạt động ngoài đời như robot, drone và xe tự hành. Chúng dùng cảm biến để nhận biết môi trường, đưa ra quyết định và điều khiển phần cứng.
Physics AI giúp thiết kế và mô phỏng một cỗ máy, còn Physical AI giúp cỗ máy đó tự cảm nhận và hành động. Hai hướng có thể kết hợp, chẳng hạn một UAV được tối ưu khí động học bằng Physics AI trước khi dùng Physical AI để tự định hướng khi bay. Ranh giới giữa hai thuật ngữ này chưa phải chuẩn thống nhất cho toàn ngành.
Từ hàng giờ xuống vài giây trên một GPU
Ví dụ rõ nhất hiện nay đến từ Northrop Grumman. Tháng 10/2025, tập đoàn quốc phòng Mỹ công bố hợp tác với Luminary để phát triển mô hình Physics AI cho vòi phun động cơ đẩy tàu vũ trụ.
Luminary cho biết nhóm phát triển đã tạo khoảng 2.000 bài mô phỏng động lực học chất lỏng có độ chính xác cao để huấn luyện hệ thống. Sau đó, mô hình chỉ mất khoảng 2-5 giây trên một GPU NVIDIA L4 để dự đoán trường dòng chảy của cấu hình mới, nhanh hơn 3.000 lần so với quy trình mà công ty dùng làm mốc.
Kết quả không hoàn toàn tương đương một phép mô phỏng động lực chất lỏng (CFD) đầy đủ. Luminary công bố sai số trung vị 5,2% khi so sánh phân bố số Mach tại cửa vòi phun với kết quả CFD độ chính xác cao. Công ty cũng lưu ý chỉ số này nhạy với những sai lệch nhỏ về vị trí sóng xung kích.
Physics AI ở đây phù hợp hơn với vai trò sàng lọc nhanh thay vì thay thế hoàn toàn CFD. Nhiều cấu hình có thể được đánh giá sơ bộ trong thời gian ngắn, sau đó những phương án hứa hẹn nhất mới quay lại CFD để kiểm tra kĩ.
Theo Luminary, cách làm này có thể giúp một nhóm kỹ sư chuyển từ khảo sát hàng trăm phương án mỗi tháng lên hàng trăm mỗi ngày. Han Park, Phó chủ tịch phụ trách tích hợp AI tại Northrop Grumman Space Systems, cho biết vòi phun mới chỉ là bước đầu và công nghệ có thể mở rộng sang những cụm lớn hơn, thậm chí cả phương tiện không gian.
Vì sao Lầu Năm Góc quan tâm?
Thiết kế tên lửa hay máy bay là bài toán cân bằng nhiều yêu cầu. Cánh lớn hơn có thể tăng lực nâng nhưng cũng tăng lực cản. Thân tên lửa thon hơn giúp cải thiện khí động học nhưng lại giảm không gian dành cho nhiên liệu. Một cấu hình tốt ở tốc độ thấp chưa chắc còn phù hợp khi tốc độ tăng cao.
Với mô phỏng truyền thống, thời gian và chi phí buộc các nhóm kĩ thuật phải sớm thu hẹp số phương án. Erica Briscoe, quản lí chương trình tại Cơ quan Các dự án nghiên cứu quốc phòng tiên tiến Mỹ (DARPA), gọi công đoạn này là “khảo sát không gian thiết kế”, tức thử nhiều tổ hợp thông số để tìm các phương án hứa hẹn nhất.
Theo Briscoe, AI có thể tự động hóa một phần quá trình và giúp kỹ sư xem xét nhiều lựa chọn hơn trong cùng khoảng thời gian. Khi được hỏi liệu công nghệ có thể rút ngắn thời gian đưa khí tài vào biên chế hay không, bà nói đó chính là “giấc mơ”.
Nhu cầu này đặc biệt rõ với phương tiện siêu vượt âm, nơi sóng xung kích, nhiệt độ, phản ứng hóa học và tải kết cấu tác động lẫn nhau. Chỉ một thay đổi nhỏ ở hình dạng cũng có thể làm hiệu năng khác đi đáng kể.
Lục quân Mỹ cũng đang tìm cách giảm chi phí mô phỏng cho các hệ thống tốc độ cao. Một đề bài SBIR yêu cầu phát triển mô hình rút gọn đa vật lý cho dòng biên siêu vượt âm, với mục tiêu giảm chi phí tính toán ít nhất một bậc độ lớn, tức khoảng 10 lần so với phương pháp được dùng làm mốc. Các ứng dụng gồm tên lửa dùng động cơ hút khí, phương tiện boost-glide và đạn đánh chặn cơ động cao.
Đây không phải chương trình Physics AI cụ thể, nhưng cho thấy áp lực rút ngắn thời gian mô phỏng trong lĩnh vực siêu vượt âm. Nếu đủ chính xác, AI có thể quét nhanh nhiều cấu hình trước khi chọn ra một nhóm nhỏ để chạy mô phỏng độ trung thực cao.
AI vẫn có thể đoán sai
Tốc độ là lợi thế lớn của Physics AI, nhưng cũng dễ khiến người dùng kì vọng quá mức. Một mô hình thường đáng tin nhất trong phạm vi đã được huấn luyện và kiểm chứng. Việc dự đoán tốt trong một dải tốc độ hoặc nhóm hình dạng nhất định không bảo đảm kết quả vẫn chính xác khi điều kiện thay đổi quá xa.
Dan Turner từ Phòng thí nghiệm Quốc gia Sandia (Sandia National Laboratories) cho rằng thử thách thực sự xuất hiện khi mô hình gặp tình huống khác xa dữ liệu huấn luyện. Điều này đặc biệt quan trọng với phương tiện siêu vượt âm, nơi sóng xung kích mạnh, nhiệt độ rất cao và phản ứng hóa học phức tạp có thể quyết định tải nhiệt, lực khí động và độ bền.
Một hệ thống chưa được học đủ những điều kiện như vậy vẫn có thể trả kết quả rất nhanh, nhưng kết quả có thể sai. Đó là lí do các chương trình mô hình hóa siêu vượt âm của Lục quân Mỹ vẫn yêu cầu dự đoán phải được đối chiếu với dữ liệu thí nghiệm hoặc mô phỏng độ chính xác cao.
Một khó khăn khác đến từ dữ liệu. Trong quốc phòng, nhiều thông tin giá trị nằm trong các chương trình mật, thuộc nhiều nhà thầu hoặc hệ thống tách biệt. Dữ liệu mật vẫn có thể dùng để huấn luyện AI nội bộ, nhưng gom được một bộ dữ liệu đủ lớn, sạch và đồng nhất không đơn giản.
Các tập đoàn hàng không vũ trụ và quốc phòng lâu đời đã tích lũy nhiều năm dữ liệu mô phỏng và thử nghiệm. Đây có thể trở thành nguồn dữ liệu quan trọng để huấn luyện Physics AI.
Công nghệ vì thế chưa thể thay thế mô phỏng động lực học chất lưu (CFD), hầm gió hay thử nghiệm thực tế. Những thiết kế tốt nhất vẫn phải được kiểm tra bằng mô phỏng độ chính xác cao, thử động cơ, thử tải kết cấu và cuối cùng là phóng thử.
Physics AI hiện phù hợp nhất với vai trò sàng lọc nhanh nhiều phương án để kỹ sư tập trung thời gian và tiền bạc vào những thiết kế đáng kiểm tra nhất. AI chưa tự thiết kế hoàn chỉnh một tên lửa, nhưng có thể giúp rút ngắn quãng đường từ bản vẽ tới nguyên mẫu.
