Đột phá KHCN - Đổi mới sáng tạo.

Theo National Science Review
Chịu trách nhiệm nội dung: Bảo Hiền - Ban TT&PT

Một nghiên cứu tổng quan của các nhà khoa học Đại học Thanh Hoa (Trung Quốc) cho thấy trí tuệ nhân tạo (AI) đang trở thành công cụ quan trọng giúp giải mã những cơ chế điện hóa phức tạp trong pin. Nhờ khả năng phân tích dữ liệu khổng lồ và nhiều chiều, AI không chỉ rút ngắn thời gian nghiên cứu mà còn mở ra hướng thiết kế các thế hệ pin có hiệu suất và độ an toàn cao hơn.

Pin là nền tảng của nhiều công nghệ hiện đại, từ xe điện đến hệ thống lưu trữ năng lượng. Tuy nhiên, việc cải thiện mật độ năng lượng, tuổi thọ và độ an toàn của pin vẫn phụ thuộc vào khả năng hiểu chính xác các phản ứng điện hóa diễn ra bên trong vật liệu.

Trong bài tổng quan đăng trên National Science Review, nhóm tác giả do Zhiyuan Han và Jiaqi Zhou (Đại học Thanh Hoa) dẫn đầu nhận định rằng đây chính là lĩnh vực AI có thể tạo ra bước đột phá.

Ba bài toán lớn của nghiên cứu pin

Theo nhóm nghiên cứu, các nhà khoa học hiện phải giải quyết đồng thời ba thách thức.

Thứ nhất là theo dõi sự biến đổi liên tục của vật liệu điện cực và các bề mặt phân cách trong suốt quá trình sạc và xả.

Thứ hai là xử lý khối dữ liệu đa chiều và đa quy mô, bao gồm hình ảnh, cấu trúc tinh thể, thành phần hóa học cùng các đặc tính điện, nhiệt và cơ học, trải dài từ cấp độ nguyên tử đến toàn bộ tế bào pin.

Thứ ba là tách biệt vai trò của các cơ chế điện hóa vốn diễn ra đồng thời và tác động lẫn nhau, như nhiệt động học, động học phản ứng hay ứng suất cơ học.

Theo các tác giả, các thiết bị phân tích hiện đại như kính hiển vi điện tử truyền qua (TEM), quang phổ Raman hay huỳnh quang tia X có thể tạo ra lượng dữ liệu khổng lồ với độ phân giải rất cao. Tuy nhiên, dữ liệu thường chứa nhiều nhiễu và rất khó phân tích bằng phương pháp thủ công.

Đây là điểm AI phát huy lợi thế khi có thể xử lý đồng thời hàng triệu điểm dữ liệu, phát hiện các mối liên hệ phi tuyến và nhận diện những quy luật mà con người khó quan sát bằng các phương pháp thống kê truyền thống.

AI giúp "nhìn thấy" những gì mắt người bỏ sót

Theo nghiên cứu, một trong những ứng dụng thành công nhất của AI là tự động phân tích dữ liệu thu được từ các kỹ thuật quan sát tại chỗ (in situ).

Các mô hình học máy đã được sử dụng để khử nhiễu dữ liệu quang phổ khi theo dõi sự khuếch tán của ion lithium, giúp phát hiện hiện tượng khuếch tán bất đẳng hướng trong vật liệu điện cực.

Trong một nghiên cứu khác, mạng nơ-ron tích chập (CNN) đạt độ chính xác tới 98,8% khi tự động nhận diện các cấu trúc lithium hình thành trong pin, bao gồm các tinh thể dạng nhánh (dendrite) – nguyên nhân có thể gây đoản mạch và làm giảm độ an toàn của pin.

AI cũng được ứng dụng để phân tích ảnh TEM, nhận diện các khuyết tật tinh thể và tái tạo cấu trúc ba chiều của hàng nghìn hạt điện cực. Nhờ đó, các nhà nghiên cứu phát hiện những hạt có kích thước nhỏ hoặc hoạt động ở tốc độ sạc cao dễ mất tiếp xúc với mạng dẫn điện hơn, góp phần làm pin suy giảm hiệu suất theo thời gian.

Phát hiện những quy luật mới trong hóa học pin

Không chỉ xử lý hình ảnh, AI còn giúp tìm ra các yếu tố quyết định hiệu suất của pin.

Trong nghiên cứu về chất điện phân, một mô hình AI được huấn luyện trên dữ liệu của 150 nửa pin lithium–đồng xác định hàm lượng oxy trong dung môi là yếu tố ảnh hưởng lớn nhất tới hiệu suất Coulomb. Kết quả này đã định hướng việc phát triển các chất điện phân không chứa flo nhưng vẫn đạt hiệu suất gần 99,7%.

Đối với vật liệu điện cực, các mô hình học chuyển giao chỉ ra rằng bán kính cộng hóa trị của nguyên tố là đặc trưng quan trọng nhất quyết định điện thế điện cực, trong khi điện trở nội ảnh hưởng mạnh tới mật độ năng lượng.

AI cũng cho thấy hiệu quả trong nghiên cứu xúc tác. Sau khi phân tích hơn 2.900 công trình khoa học về phản ứng khử lưu huỳnh, mô hình AI đã dự đoán hoạt tính của hơn 800 ứng viên và sàng lọc được hàng chục chất xúc tác triển vọng từ khoảng 375.000 vật liệu tiềm năng.

Trong phản ứng khử CO₂, AI còn hỗ trợ xác định vị trí hấp phụ của phân tử CO trên bề mặt xúc tác – bài toán vốn rất khó giải bằng các phương pháp mô phỏng truyền thống.
Hỗ trợ tìm nguyên nhân khiến pin xuống cấp

Một trong những vấn đề phức tạp nhất của pin là quá trình lão hóa.

Theo nhóm nghiên cứu, sự suy giảm hiệu suất không xuất phát từ một nguyên nhân duy nhất mà là kết quả của nhiều cơ chế tương tác đồng thời, bao gồm biến đổi hóa học, ứng suất cơ học và chuyển pha vật liệu.

Các mô hình học sâu kết hợp với kiến thức chuyên gia đã giúp tách biệt từng cơ chế hư hỏng trong vật liệu catot, từ mất ổn định bề mặt đến biến đổi pha do ứng suất cắt.
Trong khi đó, các thuật toán AI kết hợp robot thí nghiệm thông lượng cao đang giúp rút ngắn đáng kể thời gian khám phá vật liệu mới, đồng thời giảm số lượng thí nghiệm cần thực hiện.
AI vẫn chưa thay thế được tư duy khoa học

Dù ghi nhận nhiều thành tựu, nhóm nghiên cứu cho rằng AI hiện vẫn chủ yếu phát hiện các mối tương quan trong dữ liệu, chứ chưa thực sự giải thích được bản chất của các cơ chế điện hóa.
Theo các tác giả, một mô hình có độ chính xác dự đoán cao chưa đồng nghĩa với việc những quy luật mà nó phát hiện phản ánh quan hệ nhân quả trong tự nhiên. Vì vậy, AI cần được kết hợp với kiến thức vật lý, hóa học và các phương pháp suy luận nhân quả để trở thành công cụ khám phá khoa học thực sự.

Nhóm nghiên cứu cũng đánh giá các mô hình ngôn ngữ lớn (LLM) và các tác nhân AI tự động hiện chủ yếu hỗ trợ tìm kiếm tài liệu và trích xuất dữ liệu. Khả năng giải thích các cơ chế điện hóa vẫn còn hạn chế do dữ liệu nghiên cứu pin có bản chất rất khác với dữ liệu văn bản mà các mô hình này được huấn luyện.

Theo nhóm tác giả, tương lai của nghiên cứu pin sẽ phụ thuộc vào sự kết hợp giữa AI và chuyên gia, trong đó AI đảm nhiệm xử lý dữ liệu và phát hiện quy luật, còn con người chịu trách nhiệm kiểm chứng, diễn giải và xây dựng các giả thuyết khoa học mới. Chỉ khi đó, AI mới có thể chuyển từ vai trò một công cụ dự đoán sang một "đồng nghiệp" hỗ trợ khám phá khoa học.

Nguồn: Han, Z. và cộng sự, "Uncovering battery electrochemical mechanisms by artificial intelligence," National Science Review, 2025. 
https://doi.org/10.1093/nsr/nwaf442