AI nhận thức vật lý có thể đẩy nhanh quá trình khám phá vật liệu lưu trữ hydro

Ngày 9 tháng 9, 2026

Annie Nguyễn

SENDAI, Nhật Bản – Một nhóm nghiên cứu quốc tế do Đại học Tohoku (Nhật Bản) dẫn đầu đã đề xuất một lộ trình nhằm làm cho nghiên cứu về vật liệu lưu trữ hydro được hỗ trợ bởi trí tuệ nhân tạo (AI) trở nên đáng tin cậy và hữu ích hơn. Nghiên cứu được công bố trên tạp chí ACS Energy Letters.

Thách thức trong lưu trữ hydro

Hydro có thể giúp lưu trữ năng lượng tái tạo và cung cấp nhiên liệu cho pin nhiên liệu, nhưng việc lưu trữ vẫn còn khó khăn do khí hydro có mật độ thấp trong điều kiện thường. Nén nó ở áp suất cao hoặc làm lạnh thành chất lỏng đòi hỏi năng lượng đáng kể và thiết bị chuyên dụng. Các vật liệu rắn có khả năng hấp thụ hoặc hấp phụ hydro mang lại một giải pháp thay thế, nhưng việc tìm kiếm vật liệu lưu trữ đủ hydro, giải phóng nó trong các điều kiện hữu ích, hoạt động nhanh và tồn tại qua nhiều chu kỳ sử dụng vẫn là một thách thức phức tạp.

Hạn chế của AI hiện tại

Tiến sĩ Seong-Hoon Jang, Phó Giáo sư tại Đại học Tohoku, nhấn mạnh: "Việc khám phá được hỗ trợ bởi AI đáng tin cậy trong lĩnh vực này không thể chỉ dựa trên dự đoán nhanh hơn. Nó đòi hỏi các ràng buộc vật lý, dữ liệu minh bạch và phản hồi liên tục từ các thí nghiệm thực tế được tích hợp vào quy trình ngay từ đầu."

Dữ liệu về lưu trữ hydro hiện đang phân tán trong các cơ sở dữ liệu tính toán và các bài báo khoa học, và các chi tiết quan trọng về chuẩn bị mẫu, điều kiện đo lường, độ không đảm bảo và các thí nghiệm không thành công thường bị thiếu. Các mô hình được đào tạo trên các hồ sơ không đầy đủ có thể đề xuất các vật liệu không thực tế về mặt vật lý, khó tổng hợp hoặc không phù hợp trong điều kiện vận hành thực tế.

Giải pháp: Hệ sinh thái AI nhận thức vật lý

Nhóm nghiên cứu đề xuất một hệ sinh thái nhận thức vật lý kết nối bốn yếu tố:

1. Dữ liệu có thể tái tạo

2. Các mô hình bị ràng buộc bởi nhiệt động lực học và động học

3. Thiết kế ngược dẫn dắt bởi AI

4. Xác nhận thực nghiệm

Trong khuôn khổ này, tính nhất quán vật lý, độ không đảm bảo, nguồn gốc dữ liệu và phản hồi thực nghiệm được tích hợp vào mọi giai đoạn, thay vì chỉ được kiểm tra sau khi AI đã đề xuất một ứng viên.

Khung khám phá vòng lặp kín

Khung khám phá biến thành một chu trình học tập:

• AI đề xuất các vật liệu tiềm năng

• Hệ thống tự động tổng hợp và đo lường chúng

• Kết quả được trả về cơ sở dữ liệu và mô hình để cải thiện dự đoán tiếp theo

Một khái niệm dài hạn được gọi là "bản sao kỹ thuật số" (digital twin) – một đại diện ảo đồng bộ với các thí nghiệm thực tế – có thể giúp phát hiện lỗi mô hình hoặc suy giảm vật liệu và chọn thí nghiệm tiếp theo một cách hiệu quả nhất để giảm độ không đảm bảo.

Nền tảng dữ liệu DigHyd

Nhóm nghiên cứu nhấn mạnh Nền tảng Hydro Kỹ thuật số (DigHyd), nơi tổ chức hơn 30.000 mục nhiệt động lực học từ hơn 4.000 ấn phẩm, như một ví dụ về nền tảng dữ liệu mà cách tiếp cận này yêu cầu.

Hướng tới nghiên cứu tái tạo và thích ứng

Các yếu tố hạn chế không phải là thiếu sức mạnh tính toán, mà là dữ liệu phân mảnh, bối cảnh thực nghiệm không đầy đủ, tính nhất quán vật lý yếu và phản hồi kém giữa dự đoán và thí nghiệm. Giải quyết những vấn đề này có thể làm cho việc tìm kiếm các vật liệu lưu trữ hydro an toàn hơn, nhỏ gọn hơn và thực tế hơn trở nên nhanh hơn và đáng tin cậy hơn.

Đại học Tohoku đang tích hợp các công cụ này với hệ thống tổng hợp và đo lường tự động và đang phát triển các quy trình thực nghiệm tự trị theo chương trình JST GteX (JPMJGX23H1).

#HydrogenStorage #AI #MaterialsScience #TohokuUniversity #DigHyd #DigitalTwin #ACSEnergyLetters #CleanEnergy