Tokyo Tech phát triển phương pháp AI sinh tạo thiết kế chất xúc tác hợp kim bạch kim cho pin nhiên liệu hydro
Ngày: 30 tháng 5, 2026
Annie Nguyễn
Các nhà nghiên cứu tại Viện Khoa học Tokyo (Science Tokyo) vừa công bố một phương pháp tính toán mới, kết hợp trí tuệ nhân tạo sinh tạo (generative AI) với mô phỏng nguyên tử, để thiết kế chất xúc tác hợp kim bạch kim cho pin nhiên liệu hydro. Công trình được đăng trên tạp chí npj Computational Materials số ra ngày 14 tháng 4 năm 2026.
Bài toán thiết kế chất xúc tác hợp kim
Pin nhiên liệu màng trao đổi proton (PEMFC) là công nghệ năng lượng sạch đầy hứa hẹn, tạo ra điện từ phản ứng giữa hydro và oxy. Hiệu suất của pin phụ thuộc vào phản ứng khử oxy (ORR), đòi hỏi chất xúc tác hiệu quả. Bạch kim (Pt) là chất xúc tác tiêu chuẩn nhờ tính chất điện hóa vượt trội, nhưng giá thành cao và khan hiếm cản trở ứng dụng rộng rãi.
Các nhà khoa học đã tìm đến hợp kim gốc bạch kim – những vật liệu rẻ hơn nhưng vẫn duy trì hiệu suất xúc tác tốt. Tuy nhiên, số lượng cấu hình nguyên tử trong hợp kim là vô cùng lớn, khiến việc thử nghiệm từng ứng viên bằng thực nghiệm hoặc mô phỏng lý thuyết là không khả thi. Hơn nữa, chất xúc tác cần đáp ứng đồng thời nhiều yêu cầu: hoạt tính ORR cao và độ bền ổn định trong điều kiện vận hành thực tế. Các phương pháp machine learning trước đây thường chỉ tối ưu từng tính chất riêng lẻ, thiếu khả năng đề xuất cấu trúc đáp ứng cả hai tiêu chí.
Quy trình hai công cụ: NNP và CVAE
Phó Giáo sư Atsushi Ishikawa cùng nghiên cứu sinh Taishiro Wakamiya đã phát triển một chiến lược giải quyết thách thức trên, dựa trên hai công cụ chính:
-
Mô hình thế năng mạng nơ-ron (NNP): Được huấn luyện trên các tính toán cơ học lượng tử, có khả năng ước tính nhanh các tính chất vật liệu quan trọng.
-
Mô hình sinh tạo biến phân tự mã hóa có điều kiện (CVAE): Có thể đề xuất các cấu trúc nguyên tử mới dựa trên các tính chất mong muốn – trong nghiên cứu này là quá thế thấp (đo hoạt tính xúc tác) và năng lượng hình thành hợp kim thấp (đo độ bền).
Quy trình vận hành như một vòng lặp lặp đi lặp lại: mô hình NNP đánh giá hiệu suất của các hợp kim được đề xuất, sau đó mô hình CVAE tinh chỉnh và đưa chúng trở lại giai đoạn NNP. Qua nhiều vòng lặp, quá trình này dần dần hướng các hợp kim đến những cấu hình có hiệu suất tốt hơn.
Kết quả và ý nghĩa
Khi áp dụng cho hợp kim Pt-Ni, phương pháp đã tạo ra các cấu trúc đáp ứng đồng thời các tiêu chí về quá thế và năng lượng hình thành. Đáng chú ý, mô hình còn tự khám phá lại các nguyên lý thiết kế đã biết, chẳng hạn như cách lớp bề mặt giàu bạch kim có thể tăng cường hoạt tính ORR.
Nhóm nghiên cứu cũng chứng minh tính linh hoạt của quy trình bằng cách mở rộng sang nhiều hệ hợp kim khác, bao gồm Pt-Ti và Pt-Y.
Phó Giáo sư Ishikawa giải thích: Công trình này chứng minh rằng việc kết hợp tính toán nguyên tử và CVAE cung cấp một phương pháp sàng lọc tính toán tổng quát, có thể tạo ra các cấu trúc bề mặt hợp kim mới đáp ứng đồng thời cả tiêu chí hoạt tính và độ bền từ một lượng dữ liệu ban đầu hạn chế.
Ngoài chất xúc tác pin nhiên liệu, các nhà nghiên cứu tin rằng khuôn khổ này có thể áp dụng cho nhiều thách thức vật liệu khác, bao gồm điện phân nước để sản xuất hydro, vật liệu điện cực pin, và chất xúc tác cho các quy trình hóa học.
