Vũ Nguyễn
Writer
Các nhà nghiên cứu tại Skoltech và MIPT đã thúc đẩy tiến trình tìm kiếm hợp kim kim loại hiệu suất cao cho ngành hàng không vũ trụ, kỹ thuật cơ khí và điện tử. Phương pháp sử dụng máy học của nhóm này là công cụ nhanh chóng để lựa chọn các thành phần hợp kim hứa hẹn để các nhà thử nghiệm kiểm tra trong phòng thí nghiệm. Nếu không có phương pháp này, việc mô phỏng hợp kim đòi hỏi tính toán phức tạp, khiến các nhà khoa học phải phỏng đoán có cơ sở về các ứng viên tiềm năng, đồng thời bỏ qua những lựa chọn có thể ẩn chứa tiềm năng lớn. Nghiên cứu, được công bố trên tạp chí npj Computational Materials, đã đưa ra một phương pháp mới giúp tìm kiếm các hợp kim ứng viên một cách toàn diện hơn.
Kim loại nguyên chất thường có tính chất không tốt bằng hợp kim, đôi khi được pha thêm các nguyên tố khác như carbon hoặc silicon để cải thiện đặc tính. Thông qua việc điều chỉnh tỷ lệ các thành phần và nguyên tố cấu thành, các đặc tính của hợp kim có thể được tối ưu hóa, chẳng hạn như độ bền, tính dẻo, điểm nóng chảy, khả năng chống ăn mòn và độ dẫn điện. Các nhà khoa học vật liệu đang tìm kiếm những hợp kim mới có đặc tính tốt hơn phục vụ cho các lĩnh vực công nghệ cao như hàng không vũ trụ, kỹ thuật cơ khí, xây dựng, điện tử và y học.
Tuy nhiên, một hợp kim chỉ được đánh giá là khả thi khi đã trải qua các thử nghiệm và đo lường trong phòng thí nghiệm. Vấn đề là, những thử nghiệm này rất tốn kém và mất thời gian, đồng thời việc mô phỏng các tính chất của hợp kim yêu cầu rất nhiều tài nguyên tính toán, khiến cho việc tìm kiếm các ứng viên bị giới hạn và không thể kiểm tra tất cả các khả năng.
Giáo sư Alexander Shapeev, đồng tác giả nghiên cứu và là trưởng Phòng thí nghiệm Trí tuệ Nhân tạo về Thiết kế Vật liệu tại Skoltech AI, cho biết: "Số lượng ứng viên tiềm năng rất lớn vì có quá nhiều biến số cần xem xét, như các nguyên tố tạo thành hợp kim, tỷ lệ phối hợp và cấu trúc tinh thể." Ông giải thích thêm: "Ví dụ, trong hệ thống đơn giản gồm hai nguyên tố như niobi và vonfram, nếu chúng ta xem xét một ô mạng tinh thể có 20 nguyên tử, bạn phải mô phỏng hơn một triệu tổ hợp có thể có, hay 2 mũ 20, chưa tính đến tính đối xứng."
Các phương pháp tiên tiến để tìm kiếm hợp kim tiềm năng, như thuật toán tiến hóa, mạng nơ-ron đồ thị và phương pháp bầy đàn hạt, có thể giúp xác định ứng viên mục tiêu mà không cần thử tất cả các tổ hợp. Tuy nhiên, điều này có thể bỏ sót các vật liệu bất ngờ với những đặc tính nổi bật.
Viktoriia Zinkovich, tác giả chính của nghiên cứu và là sinh viên MSc tại Skoltech, cho biết: "Các phương pháp hiện nay dựa trên các tính toán cơ học lượng tử rất chính xác nhưng tốn nhiều thời gian. Trong khi đó, chúng tôi sử dụng tiềm năng học máy, cho phép tính toán nhanh và có thể phân loại qua tất cả các kết hợp có thể đến một giới hạn nhất định, ví dụ như 20 nguyên tử mỗi siêu ô. Điều này giúp chúng tôi không bỏ sót các ứng viên tốt."
Phương pháp mới này đã được kiểm chứng trên hai hệ thống hợp kim: năm kim loại có điểm nóng chảy cao và năm kim loại quý. Các kim loại có điểm nóng chảy cao bao gồm vanadi, molypden, niobi, tantal và vonfram, trong khi các kim loại quý gồm vàng, bạch kim, paladi, và trong nghiên cứu này, đồng và bạc. Các nhà nghiên cứu đã xem xét ba nguyên tố cho mỗi hệ thống. Chẳng hạn, đồng và bạch kim, hoặc đồng, bạch kim và palađi, hoặc tất cả năm kim loại quý cùng một lúc. Điều đáng chú ý là năm nguyên tố này thường có cấu trúc tinh thể giống nhau, giúp đơn giản hóa các tính toán.
Thuật toán tìm kiếm của nhóm nghiên cứu đã được áp dụng cho cả sáu hệ thống nguyên tố: ba cho kim loại quý và ba cho kim loại có điểm nóng chảy cao. Mục tiêu của thuật toán là tối ưu hóa năng lượng và nhiệt hình thành, các giá trị này cho thấy hợp kim nào sẽ ổn định. Những hợp kim không ổn định sẽ tự động chuyển sang các cấu hình khả thi hơn.
Với phương pháp này, nhóm nghiên cứu đã phát hiện 268 hợp kim mới ổn định ở nhiệt độ bằng không, mà cơ sở dữ liệu hiện tại không có. Ví dụ, trong hệ thống niobi-molypden-vonfram, phương pháp học máy đã tạo ra 12 ứng viên hợp kim, trong khi cơ sở dữ liệu hiện tại không có hợp kim ba thành phần nào của ba nguyên tố này.
Các đặc tính của các hợp kim mới vẫn cần phải được kiểm tra kỹ lưỡng qua mô phỏng và thử nghiệm thực tế để xác định tiềm năng ứng dụng của chúng. Zinkovich cho biết: "Mô hình tính toán đã giúp phát hiện nhiều hợp kim quan trọng trong ngành công nghiệp, với ứng dụng từ các bộ phận thân xe đến các bể chứa nhiên liệu tên lửa hydro lỏng."
Những người phát triển thuật toán cũng đang lên kế hoạch mở rộng phương pháp của mình để bao gồm các hợp kim có thành phần và cấu trúc tinh thể khác.
Kim loại nguyên chất thường có tính chất không tốt bằng hợp kim, đôi khi được pha thêm các nguyên tố khác như carbon hoặc silicon để cải thiện đặc tính. Thông qua việc điều chỉnh tỷ lệ các thành phần và nguyên tố cấu thành, các đặc tính của hợp kim có thể được tối ưu hóa, chẳng hạn như độ bền, tính dẻo, điểm nóng chảy, khả năng chống ăn mòn và độ dẫn điện. Các nhà khoa học vật liệu đang tìm kiếm những hợp kim mới có đặc tính tốt hơn phục vụ cho các lĩnh vực công nghệ cao như hàng không vũ trụ, kỹ thuật cơ khí, xây dựng, điện tử và y học.
Tuy nhiên, một hợp kim chỉ được đánh giá là khả thi khi đã trải qua các thử nghiệm và đo lường trong phòng thí nghiệm. Vấn đề là, những thử nghiệm này rất tốn kém và mất thời gian, đồng thời việc mô phỏng các tính chất của hợp kim yêu cầu rất nhiều tài nguyên tính toán, khiến cho việc tìm kiếm các ứng viên bị giới hạn và không thể kiểm tra tất cả các khả năng.
Giáo sư Alexander Shapeev, đồng tác giả nghiên cứu và là trưởng Phòng thí nghiệm Trí tuệ Nhân tạo về Thiết kế Vật liệu tại Skoltech AI, cho biết: "Số lượng ứng viên tiềm năng rất lớn vì có quá nhiều biến số cần xem xét, như các nguyên tố tạo thành hợp kim, tỷ lệ phối hợp và cấu trúc tinh thể." Ông giải thích thêm: "Ví dụ, trong hệ thống đơn giản gồm hai nguyên tố như niobi và vonfram, nếu chúng ta xem xét một ô mạng tinh thể có 20 nguyên tử, bạn phải mô phỏng hơn một triệu tổ hợp có thể có, hay 2 mũ 20, chưa tính đến tính đối xứng."
Các phương pháp tiên tiến để tìm kiếm hợp kim tiềm năng, như thuật toán tiến hóa, mạng nơ-ron đồ thị và phương pháp bầy đàn hạt, có thể giúp xác định ứng viên mục tiêu mà không cần thử tất cả các tổ hợp. Tuy nhiên, điều này có thể bỏ sót các vật liệu bất ngờ với những đặc tính nổi bật.
Viktoriia Zinkovich, tác giả chính của nghiên cứu và là sinh viên MSc tại Skoltech, cho biết: "Các phương pháp hiện nay dựa trên các tính toán cơ học lượng tử rất chính xác nhưng tốn nhiều thời gian. Trong khi đó, chúng tôi sử dụng tiềm năng học máy, cho phép tính toán nhanh và có thể phân loại qua tất cả các kết hợp có thể đến một giới hạn nhất định, ví dụ như 20 nguyên tử mỗi siêu ô. Điều này giúp chúng tôi không bỏ sót các ứng viên tốt."
Phương pháp mới này đã được kiểm chứng trên hai hệ thống hợp kim: năm kim loại có điểm nóng chảy cao và năm kim loại quý. Các kim loại có điểm nóng chảy cao bao gồm vanadi, molypden, niobi, tantal và vonfram, trong khi các kim loại quý gồm vàng, bạch kim, paladi, và trong nghiên cứu này, đồng và bạc. Các nhà nghiên cứu đã xem xét ba nguyên tố cho mỗi hệ thống. Chẳng hạn, đồng và bạch kim, hoặc đồng, bạch kim và palađi, hoặc tất cả năm kim loại quý cùng một lúc. Điều đáng chú ý là năm nguyên tố này thường có cấu trúc tinh thể giống nhau, giúp đơn giản hóa các tính toán.
Thuật toán tìm kiếm của nhóm nghiên cứu đã được áp dụng cho cả sáu hệ thống nguyên tố: ba cho kim loại quý và ba cho kim loại có điểm nóng chảy cao. Mục tiêu của thuật toán là tối ưu hóa năng lượng và nhiệt hình thành, các giá trị này cho thấy hợp kim nào sẽ ổn định. Những hợp kim không ổn định sẽ tự động chuyển sang các cấu hình khả thi hơn.
Với phương pháp này, nhóm nghiên cứu đã phát hiện 268 hợp kim mới ổn định ở nhiệt độ bằng không, mà cơ sở dữ liệu hiện tại không có. Ví dụ, trong hệ thống niobi-molypden-vonfram, phương pháp học máy đã tạo ra 12 ứng viên hợp kim, trong khi cơ sở dữ liệu hiện tại không có hợp kim ba thành phần nào của ba nguyên tố này.
Các đặc tính của các hợp kim mới vẫn cần phải được kiểm tra kỹ lưỡng qua mô phỏng và thử nghiệm thực tế để xác định tiềm năng ứng dụng của chúng. Zinkovich cho biết: "Mô hình tính toán đã giúp phát hiện nhiều hợp kim quan trọng trong ngành công nghiệp, với ứng dụng từ các bộ phận thân xe đến các bể chứa nhiên liệu tên lửa hydro lỏng."
Những người phát triển thuật toán cũng đang lên kế hoạch mở rộng phương pháp của mình để bao gồm các hợp kim có thành phần và cấu trúc tinh thể khác.
