AI tăng tốc thiết kế màng trao đổi proton thế hệ mới cho sản xuất hydro xanh
Ngày: 30 tháng 5, 2026
Annie Nguyễn
Ngày 26 tháng 1 năm 2026, nhóm nghiên cứu quốc tế do Huan Tran (Matmerize Inc. và Georgia Institute of Technology) dẫn đầu đã đăng tải trên arXiv công trình mang tựa đề "Accelerated design of proton exchange membranes for green hydrogen production with artificial intelligence" (arXiv:2601.18914). Đây là một trong những nghiên cứu đầu tiên ứng dụng chiến lược AI toàn diện để thiết kế màng trao đổi proton (PEM) thay thế Nafion – loại màng perfluorinated đang thống trị thị trường nhưng tồn tại vấn đề về chi phí cao và bền vững môi trường.
Bài toán thay thế Nafion sau nhiều thập kỷ
Nước điện phân sử dụng màng trao đổi proton (PEMWE) được xem là công nghệ sản xuất hydro xanh hàng đầu nhờ khả năng hoạt động ở mật độ dòng điện cao, đáp ứng động nhanh và thiết kế hệ thống nhỏ gọn. Tuy nhiên, màng Nafion – vật liệu perfluorinated được sử dụng rộng rãi trong các thiết bị này – đặt ra hai thách thức lớn: chi phí vốn cao và bản chất "hóa học vĩnh cửu" gây lo ngại về tác động môi trường dài hạn.
Các nhà khoa học đã tìm kiếm vật liệu thay thế không chứa fluor trong nhiều thập kỷ, chủ yếu thông qua thực nghiệm vật lý, nhưng thành công rất hạn chế. Không gian hóa học của các polyme tổng hợp tiềm năng là vô cùng rộng lớn, khiến việc thử nghiệm toàn bộ bằng tay là bất khả thi.
Chiến lược AI hai thành phần
Để giải quyết bài toán này, nhóm nghiên cứu đã phát triển và chứng minh một chiến lược AI dựa trên hai thành phần chính:
-
Tổng hợp thuận ảo (virtual forward-synthesis): Phương pháp này tự động sinh ra một không gian rộng lớn gồm hàng triệu polyme có thể tổng hợp được, dựa trên các phản ứng hóa học thực tế. Điều này đảm bảo rằng các ứng viên được đề xuất không chỉ tồn tại trên lý thuyết mà còn có thể được chế tạo trong phòng thí nghiệm.
-
Mô hình dự báo học máy (machine learning predictive models): Bộ mô hình này được huấn luyện để dự báo các tính chất thiết yếu của màng liên quan đến ứng dụng thực tế, đánh giá và sàng lọc hàng triệu ứng viên do bước đầu tiên tạo ra.
Chiến lược này đã được xác nhận bằng cách so sánh dự báo của mô hình với dữ liệu thực nghiệm từ các màng đã biết, sau đó được áp dụng để thiết kế hơn 1.700 ứng viên màng mới có thể tổng hợp được.
Ý nghĩa và tầm nhìn tương lai
Nghiên cứu này không chỉ cung cấp một danh mục phong phú các vật liệu màng tiềm năng thay thế Nafion, mà quan trọng hơn, nó chứng minh rằng AI có thể đẩy nhanh tiến độ phát triển vật liệu theo cấp số nhân, chuyển từ phương pháp thủ công thử và sai kéo dài hàng thập kỷ sang sàng lọc số lượng lớn trong thời gian ngắn.
Điểm đặc biệt của nghiên cứu này so với các công trình trước đây là nó tích hợp "khả năng tổng hợp" ngay trong quá trình thiết kế. Rất nhiều nghiên cứu AI về vật liệu chỉ dừng lại ở việc đề xuất các cấu trúc lý thuyết mà không đảm bảo chúng có thể được chế tạo trong thực tế. Cách tiếp cận tổng hợp thuận ảo của nhóm nghiên cứu đã giải quyết triệt để điểm yếu này.
Nhóm nghiên cứu kết thúc bài báo bằng một tầm nhìn hướng tới tương lai, trong đó chiến lược này có thể được nâng cấp thành một sơ đồ tương tác và lặp đi lặp lại dựa trên các mô hình ngôn ngữ lớn (LLMs), tạo điều kiện cho việc thiết kế vật liệu theo nhiều cách thức mới, bao gồm cả khả năng đối thoại trực tiếp giữa nhà nghiên cứu và hệ thống AI.
Các tác giả của nghiên cứu bao gồm Huan Tran (tương ứng), Akhlak Mahmood (Matmerize Inc.), Harshal Chaudhari (Shell India), Kuldeep Mamtani (Shell India), Chiho Kim (Matmerize Inc., Georgia Tech), Rampi Ramprasad (Matmerize Inc., Georgia Tech), Anand N. Krishnamoorthy (Shell India) và Abhirup Patra (Shell International). Nghiên cứu được thực hiện với sự hợp tác giữa Matmerize Inc., Georgia Institute of Technology và Shell.
