AI có thể giải thích: Chìa khóa mở ra kỷ nguyên mới cho chất xúc tác sản xuất hydro xanh
*Bài: Annie Nguyễn – Ngày 31/05/2026*
Trong bối cảnh thế giới đang chạy đua hiện thực hóa nền kinh tế hydro, hai nhà khoa học thuộc Trung tâm Công nghệ Hàng không Vũ trụ tại Đại học Carlos III Madrid – Tiến sĩ Valentin Vassilev‑Galindo và Giáo sư Javier Llorca – vừa công bố một nghiên cứu mang tính bước ngoặt trên tạp chí Chemical Science của Hội Hóa học Hoàng gia Anh (Royal Society of Chemistry).
Công trình có tựa đề: "Explainable artificial intelligence for materials discovery: application to catalysts for the HER and ORR" (Trí tuệ nhân tạo có thể giải thích để khám phá vật liệu: ứng dụng cho chất xúc tác trong phản ứng HER và ORR). Thay vì “hộp đen” truyền thống, nhóm nghiên cứu đã xây dựng một hệ thống AI minh bạch đến từng quyết định, rút ngắn chu kỳ “phòng thí nghiệm – thực tế” từ nhiều năm xuống còn vài tháng, mở đường cho các chất xúc tác thế hệ mới – rẻ hơn, bền hơn và thân thiện với môi trường.
HER và ORR – hai phản ứng nền tảng của hydro xanh
Điện phân nước để sản xuất hydro xanh gồm hai nửa phản ứng cốt lõi:
-
Phản ứng giải phóng hydro (HER – Hydrogen Evolution Reaction) diễn ra tại cực âm, nơi các ion H⁺ nhận electron để tạo thành phân tử H₂.
-
Phản ứng giải phóng oxy (OER – Oxygen Evolution Reaction) diễn ra tại cực dương, nơi phân tử nước bị oxy hóa tạo ra O₂, proton và electron.
Cả hai phản ứng này đều đòi hỏi chất xúc tác hiệu quả. Nếu không, phản ứng diễn ra chậm, tiêu tốn nhiều năng lượng, đẩy giá thành hydro xanh lên cao và làm giảm tuổi thọ thiết bị.
Từ “hộp đen” đến AI có thể giải thích
Các phương pháp học máy truyền thống thường chỉ dừng ở mức dự đoán “vật liệu nào hoạt động tốt” mà không lý giải được “tại sao”. Điều này khiến các nhà hóa học và kỹ sư khó tin tưởng và khó điều chỉnh thiết kế.
Nhóm nghiên cứu đã giải quyết vấn đề này bằng cách kết hợp:
-
Mô phỏng hóa học lượng tử (DFT) để tạo dữ liệu huấn luyện có độ chính xác cao.
-
Học máy có giám sát để dự đoán hoạt tính xúc tác.
-
Các kỹ thuật giải thích mô hình (Explainable AI – XAI) nhằm xác định các thuộc tính nguyên tử, điện tử và cấu trúc quyết định hiệu suất.
Hệ thống AI mới không chỉ đưa ra dự đoán mà còn chỉ ra chính xác đặc điểm nào của vật liệu (ví dụ: khoảng cách liên kết, độ linh động điện tử, năng lượng hấp phụ,…) đóng vai trò quan trọng. Các nhà khoa học có thể dùng những hiểu biết này để điều chỉnh thành phần và cấu trúc chất xúc tác theo mục tiêu mong muốn.
Xác nhận thực nghiệm bước ngoặt
Dựa trên gợi ý từ AI, nhóm nghiên cứu đã tổng hợp một chất xúc tác mới và thử nghiệm trong điều kiện phòng thí nghiệm. Kết quả cho thấy:
-
Hoạt tính HER vượt trội so với các chất xúc tác được thiết kế theo cách truyền thống.
-
Độ bền cao trong môi trường điện hóa khắc nghiệt.
-
Chi phí thấp hơn đáng kể, nhờ giảm sự phụ thuộc vào kim loại quý như platinum.
Đây là một trong những minh chứng rõ ràng đầu tiên cho thấy AI có thể giải thích không chỉ giúp khám phá vật liệu nhanh hơn mà còn cung cấp những hiểu biết khoa học có giá trị, mở đường cho các chiến lược thiết kế thông minh hơn.
Giá trị khoa học và ứng dụng thực tiễn
Nghiên cứu đã giải thích thành công tại sao một số cấu trúc nguyên tử và thành phần hóa học nhất định lại vượt trội trong xúc tác, trả lời câu hỏi “tại sao nó hoạt động?” – điều mà các mô hình học máy thông thường không làm được. Các tác giả nhấn mạnh rằng công trình này cung cấp một khuôn khổ tổng quát, có thể áp dụng cho nhiều loại phản ứng xúc tác khác nhau, không chỉ giới hạn trong HER và OER.
Các nhà khoa học kỳ vọng rằng phương pháp AI có thể giải thích sẽ trở thành công cụ không thể thiếu trong việc thiết kế thế hệ vật liệu xúc tác tiếp theo, góp phần đưa chi phí sản xuất hydro xanh xuống mức cạnh tranh với nhiên liệu hóa thạch, qua đó thúc đẩy nhanh chóng quá trình chuyển đổi năng lượng sạch toàn cầu.
