Curtis Berlinguette, nhà khoa học vật liệu tại Đại học British Columbia ở Vancouver, Canada, nhận ra rằng anh đang lãng phí thời gian và tài năng của một sinh viên tốt nghiệp. Công việc của anh là tinh chỉnh các vật liệu chính trong pin mặt trời để tăng tính dẫn điện của nó. Nhưng số lượng các tinh chỉnh tiềm năng là quá nhiều, từ việc tăng dấu vết của kim loại và các chất phụ gia khác trong công thức đến thay đổi thời gian gia nhiệt và sấy khô. "Có rất nhiều thứ bạn có thể thay đổi, có đến hàng 10 triệu thiết kế bạn có thể thử nghiệm," Berlinguette nói.

Vì vậy, anh và các đồng nghiệp đã giao phó công việc lặp đi lặp lại này cho một cánh tay robot vận hành bởi thuật toán trí tuệ nhân tạo (AI). Robot, được đặt tên là Ada, trộn các công thức khác nhau, đưa vào khuôn, thực hiện các phương pháp xử lý nhiệt và các bước xử lý khác, kiểm tra độ dẫn điện của phim, đánh giá cấu trúc vi mô của chúng và ghi lại kết quả. Nhưng điểm đột phá là AI này diễn giải từng thí nghiệm và xác định những phương án tổng hợp công thức khả thi hơn cho những lần tiếp theo, điều mà robot tự động hóa trước đây chưa làm được trong khoa học vật liệu. Trong một cuộc họp của Hiệp hội Nghiên cứu Vật liệu (MRS) vào tuần trước, Berlinguette đã báo cáo rằng hệ thống này nhanh chóng tìm ra công thức và điều kiện làm nóng để tạo ra các màng không khuyết tật lý tưởng cho pin mặt trời. "Công việc này trước đây mất 9 tháng, nay chỉ mất 5 ngày," Berlinguette nói.

Các nhà khoa học khác cũng đã đạt được nhiều thành công với các hệ thống "vòng kín" như vậy, robot tự động hóa chạy dựa trên các quyết định của AI. Các nhà phát triển dược phẩm, nhà di truyền học và nhà điều tra trong các lĩnh vực khác đã kết hợp AI và robot để thiết kế và làm thí nghiệm, nhưng khoa học vật liệu là lĩnh vực đang bị tụt lại phía sau. Bộ tổng hợp DNA có thể được lập trình để lắp ráp bất kỳ tổ hợp DNA nào, nhưng khác với DNA, không có cách nào là duy nhất trong việc tổng hợp, xử lý hoặc mô tả các vật liệu, khiến cho việc phát triển một hệ thống tự động có thể được điều khiển bởi AI trong lĩnh vực này là rất khó. Nhưng các nhà khoa học vật liệu cuối cùng đã làm được. "Đây là một lĩnh vực rất nhiều tiềm năng", Benji Maruyama, nhà khoa học vật liệu thuộc Phòng thí nghiệm nghiên cứu của Không quân Hoa Kỳ ở phía đông thành phố Dayton, Ohio nói. "Vòng khép kín sẽ làm cho nghiên cứu vật liệu tiến bộ nhanh hơn."

Với hơn 100 nguyên tố trong bảng tuần hoàn và khả năng kết hợp chúng theo vô số những cách khác nhau, số lượng vật liệu tiềm năng là vô cùng. Apurva Mehta, nhà vật lý vật liệu tại Stanford Synchrotron Radiation Lightource ở Menlo Park, California, cho biết: "Tin tốt là có hàng triệu đến hàng tỷ vật liệu chưa được khám phá ngoài kia". Tin xấu, anh nói, là hầu hết số vật liệu đó không có gì đặc biệt, tìm vật liệu quý trong số vật liệu tiềm năng đó giống như mò kim đáy bể.

Robot là sự trợ giúp đắc lực. Hiện nay robot thường được sử dụng để trộn hàng tá công thức vật liệu, mỗi công thức chỉ khác nhau một chút, sau đó xử lý và kiểm tra đồng thời các vật liệu này. Nhưng nếu đơn giản là thử hết công thức này đến công thức khác thì kể cả robot cũng sẽ rất chậm mới tìm được đột phá, Maruyama nói.

Để tăng tốc quá trình, nhiều đội đã thêm vào mô hình máy tính để dự đoán công thức của các loại vật liệu quý tiềm năng. "Chúng tôi đang chứng kiến một loạt các vật liệu thú vị đến từ dự đoán", theo Kristin Persson thuộc Phòng thí nghiệm quốc gia Lawrence Berkeley (LBNL) ở California, người điều hành một doanh nghiệp dự đoán quy mô lớn được gọi là Materials Project. Nhưng những hệ thống đó vẫn thường dựa vào sinh viên tốt nghiệp hoặc các nhà khoa học có kinh nghiệm để đánh giá kết quả thí nghiệm và xác định cách tiến hành tiếp tục. Và "con người thì vẫn cần nghỉ để làm những việc như ngủ và ăn", Keith Brown, kỹ sư cơ khí tại Đại học Boston (BU), nói.

Vì vậy, giống như Berlinguette, Brown và các đồng nghiệp đã xây dựng một hệ thống robot được điều khiển bằng AI. Mục tiêu của họ là tìm ra các cấu trúc in 3D khó nhất có thể. Độ cứng đến từ sự pha trộn của độ chắc chắn và độ dẻo cao, và "liều lượng" kết hợp giữa hai yếu tố này cũng thay đổi tùy thuộc vào các chi tiết của cấu trúc, ngay cả khi bản thân vật liệu không thay đổi. Dự đoán hình dạng nào sẽ là cứng nhất là bất khả thi, Brown nói. "Bạn phải làm thí nghiệm."

Để thử nghiệm, nhóm Đại học BU đã bắt đầu tạo ra các cấu trúc hình thùng bằng nhựa nhỏ cỡ một nắm tay. Họ thay đổi số lượng các thanh chống tạo nên vỏ bên ngoài của thùng và các chi tiết về hình dạng và hướng của mỗi thanh chống. Nhưng thử nghiệm tất cả các kết hợp có thể, khoảng nửa triệu, là không thực tế. Vì vậy, ban đầu họ cho robot chế tạo 600 cấu trúc lấy mẫu đầy đủ các khả năng tùy chỉnh. Một loại kẹp giữ sau đó siết chặt từng cái cho đến khi nó méo hoặc vỡ.

Sau đó, nhóm đã thêm một thuật toán AI ra quyết định tính toán thiết kế tốt nhất có thể tiếp theo sau mỗi thử nghiệm. Thuật toán phát hiện ra các xu hướng trong các thuộc tính tạo ra độ dẻo dai, chẳng hạn như độ dày và bán kính của mỗi thanh chống, để dự đoán các cấu trúc thậm chí còn chắc chắn hơn. "Về cơ bản, chúng tôi đã bật máy và không làm gì nữa", Brown nói. Sau 24 giờ và tạo ra chỉ hơn 60 thiết kế, hệ thống điều khiển bằng AI đã đưa ra một chiếc thùng cứng hơn bất kỳ thiết kế nào trong 600 thùng ban đầu.

Nhiều nỗ lực vòng lặp khép kín hơn đã được trình diễn tại cuộc họp MRS. Các nhà nghiên cứu tại Viện Công nghệ Massachusetts ở Cambridge và LBNL đã phát triển độc lập các hệ thống tự trị để tìm ra các vật liệu quang điện perovskite tốt hơn, rẻ tiền hơn, sẵn sàng cách mạng hóa năng lượng mặt trời. Một nhóm nghiên cứu tại Đại học Carnegie Mellon ở Pittsburgh, Pennsylvania, đã báo cáo sử dụng một hệ thống AI khác để tìm chất điện phân mang điện tích an toàn hơn cho pin lithium-ion, hiện đang dễ bị bắt lửa. Và các nhà nghiên cứu tại Đại học Liverpool ở Vương quốc Anh đã phát triển một bộ robot điều khiển bằng AI để khám phá các chất xúc tác mới để tạo ra khí hydro, một loại nhiên liệu tiềm năng không có carbon, từ nước.

Các nhà nghiên cứu tại Phòng thí nghiệm quốc gia Argonne thuộc Bộ Năng lượng Hoa Kỳ (DOE) cũng đã vận dụng sức mạnh của máy học và trí tuệ nhân tạo để tăng tốc đáng kể quá trình khám phá pin, bằng cách tạo ra một cơ sở dữ liệu có độ chính xác cao với khoảng 133.000 phân tử hữu cơ nhỏ. Số phân tử này chỉ đại diện cho một tập hợp nhỏ trong số 166 tỷ phân tử lớn hơn mà các nhà khoa học muốn thăm dò làm ứng cử viên cho chất điện li, nhưng để phân tích ca 166 tỷ sẽ mất vô cùng nhiều thời gian. Sau đó họ sử dụng một thuật toán học máy để thiết lập mối quan hệ giữa những cấu trúc đã biết chính xác từ tập dữ liệu nhỏ với những cấu trúc mẫu “thô” hơn từ tập dữ liệu lớn hơn, giúp đưa ra dự đoán về năng lượng của các phân tử lớn hơn này.

Một vài trong số các dự án vật liệu dựa trên AI đã đưa ra kết quả bom tấn, các nhà nghiên cứu thừa nhận. Tuy nhiên, Maruyama nói, "vẫn còn sớm". Một thách thức là bản thân các nhà khoa học vật liệu thường không đồng ý về cách tạo ra sự "ăn khớp" tốt nhất giữa độ dẫn của vật liệu hoặc các đặc tính có thể kiểm chứng khác với cấu trúc của nó, John Gregoire, nhà vật lý tại Viện Công nghệ California ở Pasadena nói. "Nếu chúng tôi không tìm ra được điều đó trong cộng đồng [các nhà khoa học vật liệu], thật khó để tưởng tượng chúng tôi sẽ dạy một máy tính làm điều đó như thế nào", anh nói.

Một vấn đề khác là mỗi đội phải thiết kế hệ thống robot và phần mềm riêng, vì các tiêu chuẩn vẫn chưa được hình thành. "Mọi người đang khám phá những cách khác nhau để làm điều này", Joshua Schrier, một nhà hóa học tính toán tại Đại học Fordham, thành phố New York, nói. Cuối cùng, cộng đồng vật liệu có thể làm việc xung quanh một số ít các hệ thống có thể được sử dụng bởi một loạt các nghiên cứu, Schrier nói. "Trong một hoặc hai năm tới tôi nghĩ chúng ta sẽ bắt đầu thấy mọi thứ hội tụ."