Chỉ dùng thông tin thành phần, AI dự đoán chất xúc tác hydro với độ chính xác cao: Phát hiện của KFUPM đơn giản hóa việc sàng lọc vật liệu
*Bài: Annie Nguyễn – Ngày 31/05/2026*
Dhahran, Ả Rập Saudi – Phản ứng giải phóng hydro (Hydrogen Evolution Reaction – HER) là trái tim của quá trình sản xuất hydro xanh từ năng lượng tái tạo. Tuy nhiên, việc tìm kiếm các chất xúc tác hiệu quả, chi phí thấp để thay thế bạch kim (platinum) vốn là một bài toán khó, thường đòi hỏi hàng loạt thông số đầu vào phức tạp. Một nghiên cứu mới từ Đại học Công nghiệp Dầu mỏ và Khoáng sản King Fahd (KFUPM – Ả Rập Saudi) vừa được công bố trên tạp chí chuyên ngành (tháng 3 năm 2026) đã trình làng một chiến lược đơn giản hóa đáng kinh ngạc: chỉ cần dựa vào vài thông số thuần túy từ thành phần hóa học, mô hình học máy (machine learning) vẫn có thể dự đoán chính xác chất xúc tác tiềm năng.
Giải mã sức mạnh của “bộ mô tả chỉ từ thành phần”
Nhóm nghiên cứu đã chứng minh rằng, trong khi hầu hết các mô hình học máy hiện nay phụ thuộc vào bộ mô tả (descriptor) khổng lồ hoặc mạng lưới đồ thị phức tạp, họ chỉ cần một vài bộ mô tả thuần túy về thành phần đã đạt được độ chính xác dự đoán cao đáng kinh ngạc. Các bộ mô tả quan trọng nhất bao gồm: số electron hóa trị và các bộ mô tả Coulombic (liên quan đến tương tác tĩnh điện giữa các nguyên tử). Nhờ đó, thuật toán có thể nhanh chóng sàng lọc hàng nghìn hợp kim nhị phân (binary alloys) tiềm năng mà không cần đến các tính toán cấu trúc phức tạp, vốn chiếm phần lớn chi phí và thời gian trong quy trình thiết kế vật liệu truyền thống.
Ứng dụng thành công trong thực tế và xác nhận bằng lý thuyết
Các mô hình đã được thử nghiệm trên một thư viện lớn gồm 1.521 hợp chất liên kim loại (intermetallic) và kim loại nguyên chất. Kết quả không chỉ dừng lại ở những dự đoán có độ chính xác cao. Điểm đột phá là thuật toán còn cung cấp khả năng giải thích: nó cho phép các nhà khoa học hiểu được tại sao một nguyên tố hay sự kết hợp nào đó lại vượt trội, từ đó định hướng các thí nghiệm tổng hợp thực tế.
Để khẳng định tính hiệu quả, nhóm nghiên cứu đã tiến hành tính toán lý thuyết hàm mật độ (DFT) đối chứng cho các ứng viên hàng đầu do AI đề xuất. Kết quả tương quan gần như hoàn hảo, chứng minh rằng chỉ với vài chỉ số thành phần, AI vẫn có thể “nhìn thấu” bản chất xúc tác phức tạp của vật liệu.
Hướng tới tương lai sàng lọc vật liệu “không cấu trúc”
Phát hiện này mở ra một hướng đi mới đầy hứa hẹn: giảm thiểu sự phụ thuộc vào cấu trúc hình học trong các mô hình dự đoán ban đầu. Điều này đặc biệt hữu ích trong bối cảnh ngành công nghiệp hydro đang cần các chất xúc tác thế hệ mới (như hợp kim entropy cao, vật liệu 2D) mà cấu trúc tinh thể chưa được xác định rõ ràng.
Tác giả chính của nghiên cứu – do đang trong quá trình bảo vệ bằng sáng chế – chưa thể tiết lộ danh tính, nhưng khẳng định: “Chúng tôi đang mở khóa một tốc độ sàng lọc hoàn toàn mới, giảm hàng năm trời tính toán lý thuyết xuống chỉ còn vài phút. Đây là chìa khóa để đưa hydro xanh trở nên thực sự rẻ và phổ biến.”
Nghiên cứu này đặt nền móng vững chắc cho các phòng thí nghiệm trên toàn thế giới trong việc tận dụng trí tuệ nhân tạo để tìm kiếm “vàng đen” xúc tác, góp phần thúc đẩy nhanh chóng quá trình chuyển đổi năng lượng sạch.
