Hàn Quốc phát triển AI lai ghép đột phá giúp phát hiện chất xúc tác hydro xanh hiệu suất cao vượt mọi ranh giới vật liệu
Ngày: 30 tháng 5, 2026
Annie Nguyễn
Trong một bước tiến mang tính cách mạng đối với lĩnh vực năng lượng sạch, Viện Nghiên cứu Khoa học Cơ bản Hàn Quốc (IBS) vừa công bố phát triển thành công một mô hình trí tuệ nhân tạo có khả năng kết hợp tri thức từ nhiều họ chất xúc tác khác nhau để phát hiện ra chất xúc tác hoàn toàn mới cho sản xuất hydro xanh.
Thách thức truyền thống: Sự cô lập giữa các họ vật liệu
Từ trước đến nay, việc phát hiện chất xúc tác vốn bị giới hạn trong từng họ vật liệu riêng lẻ. Các nhà nghiên cứu thường tìm kiếm chất xúc tác tốt nhất trong nhóm oxit, nhóm kim loại hoặc nhóm đơn nguyên tử một cách riêng rẽ. Tuy nhiên, chất xúc tác tối ưu nhất có thể nằm ở sự kết hợp điểm mạnh từ nhiều họ vật liệu khác nhau, thay vì chỉ tối ưu trong một nhóm duy nhất.
Giải pháp: Mạng nơ-ron lai ghép (CBNN) học từ hai họ xúc tác
Nhóm nghiên cứu do Giám đốc Hyeon Taeghwan của Trung tâm Nghiên cứu Hạt nano IBS dẫn đầu đã phát triển một mô hình học sâu có tên gọi Crossbreeding Neural Network (CBNN). CBNN có khả năng học đồng thời từ hai họ chất xúc tác khác nhau: chất xúc tác đơn nguyên tử trên nền carbon và chất xúc tác oxit perovskite khối.
Hai họ chất xúc tác này cung cấp những loại thông tin khác nhau. Chất xúc tác đơn nguyên tử giúp hé lộ cách thức các nguyên tử kim loại đơn lẻ hoạt động trên bề mặt, trong khi chất xúc tác oxit perovskite cung cấp thông tin về cách cấu trúc tinh thể khối ảnh hưởng đến hiệu suất xúc tác.
Sức mạnh của tri thức vượt biên giới
Bằng cách kết hợp hai nguồn tri thức này, AI đã có thể dự đoán hiệu suất của một họ chất xúc tác hoàn toàn mới mà nó chưa từng gặp trước đây: chất xúc tác đơn nguyên tử trên nền oxit perovskite. Trong hệ thống lai ghép này, các nguyên tử kim loại đơn lẻ được gắn lên bề mặt các hạt oxit perovskite, kết hợp ưu điểm của cả kỹ thuật bề mặt và thiết kế tinh thể khối.
"Kết quả này cho thấy AI không chỉ đơn thuần ghi nhớ dữ liệu hiện có," đồng tác giả đầu tiên Moon Junseok giải thích. "Mô hình có khả năng đánh giá chất xúc tác nào sẽ hoạt động tốt hơn, ngay cả trong một họ vật liệu hoàn toàn mới chưa từng thấy trước đây".
Để cải thiện độ chính xác dự báo, nhóm nghiên cứu cũng phát triển quy trình lựa chọn chỉ số mô tả tự động kết hợp phân tích thống kê và xử lý ngôn ngữ tự nhiên. AI đã xác định một số yếu tố hóa học quan trọng liên quan đến hoạt tính xúc tác trên cả hai họ vật liệu, bao gồm trạng thái oxy hóa, bán kính ion, số electron hóa trị d, độ âm điện và số phối trí.
Phát hiện đột phá: Chất xúc tác đa kim loại vượt trội
Nhóm nghiên cứu sau đó đã mở rộng phương pháp này sang chất xúc tác đa kim loại chứa nhiều nguyên tử kim loại đơn lẻ khác nhau cùng lúc. AI đã sàng lọc 8.008 ứng viên và xác định cấu trúc hứa hẹn nhất: một chất xúc tác đa nguyên tử đơn lẻ chứa wolfram (W), molypden (Mo), rutheni (Ru) và rhodi (Rh) được gắn trên nền oxit perovskite canxi-praseodymi cobalt sắt (Ca₀.₈Pr₀.₂Co₀.₈Fe₀.₂O₃₋δ, viết tắt là CPCF).
Thử nghiệm thực nghiệm xác nhận chất xúc tác mới này có hiệu suất vượt trội so với cả ba nhóm: chất xúc tác oxit perovskite đã được nghiên cứu trước đây, chất xúc tác đơn nguyên tử trên nền carbon, và tất cả các chất xúc tác đơn kim loại được tổng hợp trong nghiên cứu.
Điều quan trọng là mô hình AI còn cung cấp các nguyên lý thiết kế có thể giải thích được, chứ không chỉ là những dự báo số học. Nhóm nghiên cứu đã sử dụng kỹ thuật AI giải thích được để hình dung cách các môi trường nguyên tử cụ thể ảnh hưởng đến hoạt tính xúc tác và xác định các tương tác hiệp đồng giữa các nguyên tử kim loại lân cận giúp tăng cường hiệu suất phản ứng tiến hóa oxy.
Giám đốc Hyeon Taeghwan nhấn mạnh ý nghĩa của nghiên cứu: "Mục tiêu cuối cùng không chỉ đơn giản là tìm ra chất xúc tác tốt nhất trong một loại. Điều các nhà nghiên cứu thực sự mong muốn là xác định chất xúc tác tốt nhất trên tất cả các hệ thống vật liệu có thể. Chúng tôi muốn chứng minh rằng AI có thể kết nối tri thức từ các họ chất xúc tác khác nhau và sử dụng nó để phát hiện ra các loại chất xúc tác hoàn toàn mới".
Ứng dụng rộng rãi và triển vọng tương lai
Phát hiện này được công bố trên tạp chí Nature Materials số ra ngày 28 tháng 5 năm 2026. Các nhà nghiên cứu cho biết khuôn khổ này có thể được mở rộng ra ngoài lĩnh vực chất xúc tác sang các lĩnh vực rộng lớn hơn như pin, vật liệu lưu trữ năng lượng và phát hiện thuốc, nơi việc tích hợp các bộ dữ liệu thực nghiệm không đồng nhất vẫn là một thách thức lớn.
"Khi AI học được ngôn ngữ chung được chia sẻ giữa các họ vật liệu khác nhau, nó có thể đề xuất các hướng thiết kế hoàn toàn mới vượt ra ngoài không gian ứng viên được xác định trước bởi con người," đồng tác giả Moon Junseok khẳng định. "Công trình này đại diện cho một bước quan trọng hướng tới AI vật liệu có tính tổng quát hóa cao hơn"
