Viện Khoa học tiên tiến Thâm Quyến (SIAT) thuộc Viện Hàn lâm
Khoa học Trung Quốc vừa ra mắt MatBrain - một tác nhân trí tuệ nhân tạo (AI)
mô hình kép gọn nhẹ chuyên dùng cho nghiên cứu khoa học vật liệu. Công trình này vừa được công bố trên tạp chí Nature Machine
Intelligence vào ngày 10/9.
Điểm nổi bật của MatBrain là khả năng cải thiện độ chính xác
trong các dự đoán về khoa học vật liệu lên tới 66% so với các mô hình ngôn ngữ
lớn đình đám như GPT-5 hay DeepSeek-R1.
Đồng thời, nhờ thiết kế tối ưu, hệ thống
này giúp cắt giảm tới 95% chi phí triển khai phần cứng, vượt trội hơn hẳn các
mô hình đa dụng trong các tác vụ như dự đoán tính chất vật liệu hay thiết kế cấu
trúc tinh thể.
Hệ thống MatBrain được vận hành bởi hai mô hình có sự phân
công lao động rõ ràng. Trong đó, mô hình Mat-R1 (quy mô 30 tỷ tham số) đóng vai
trò là "chuyên gia vật liệu" phụ trách tư duy, lý luận khoa học và
đánh giá kết quả.
Song song đó, mô hình Mat-T1 (14 tỷ tham số) hoạt động như một
"người thực thi", chịu trách nhiệm truy xuất cơ sở dữ liệu, chạy phần
mềm và mô hình hóa cấu trúc.
Hai mô hình này tương tác liên tục theo chu trình
"thực thi - phân tích - phản hồi - tái thực thi" để xử lý vấn đề.
Nghiên cứu viên sau tiến sĩ Shi Tongyu, đồng tác giả của dự
án, giải thích rằng cách tiếp cận này giúp khắc phục điểm yếu của các mô hình
AI khổng lồ.
Trước đây, nếu muốn một AI vừa giỏi suy luận vừa giỏi sử dụng công
cụ, các nhà phát triển phải dùng đến các mô hình hàng trăm tỷ tham số, kéo theo
chi phí điện toán khổng lồ.
Nay, MatBrain phân chia nhiệm vụ cho hai mô hình nhỏ:
nếu thông tin chưa đủ hoặc kết quả chưa hợp lý, Mat-R1 sẽ đưa ra yêu cầu mới để
Mat-T1 tiếp tục thực thi.
Trong thực tế, MatBrain đã chứng minh năng lực khi tham gia
vào quá trình khám phá vật liệu mở. Ứng dụng trong nghiên cứu chất xúc tác điện
(electrocatalyst), hệ thống đã hoàn thành trọn vẹn toàn bộ chuỗi nghiên cứu: từ
việc tự hình thành giả thuyết khoa học, tạo ra 30.000 cấu trúc ứng viên, cho đến
sàng lọc điện toán đa giai đoạn và xác thực thực nghiệm.
Thành tựu này hứa hẹn
sẽ rút ngắn đáng kể chu kỳ nghiên cứu vật liệu mới, vốn thường mất rất nhiều thời gian
bằng phương pháp thử - sai truyền thống./.