Đồ án: Phát triển hệ thống dữ liệu vật liệu và ứng dụng Trí tuệ nhân tạo

Tìm hiểu hệ thống thu thập dữ liệu vật liệu ứng dụng trí tuệ nhân tạo giúp tối ưu quy trình nghiên cứu và phát triển trong ngành công nghiệp hiện đại.

• Tác giả: Trịnh Xuân Việt
• Người hướng dẫn: TS. Đặng Thế Hùng
• Trường học: Trường Đại học Phenikaa
• Chuyên ngành: Công Nghệ Vật Liệu
• Đề tài: Phát Triển Hệ Thống Thu Thập Dữ Liệu Về Vật Liệu Và Ứng Dụng Trí Tuệ Nhân Tạo
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Tóm tắt

I. Giới thiệu về Hệ thống Thu thập Dữ liệu Vật liệu

Hệ thống thu thập dữ liệu vật liệu đang trở thành công cụ không thể thiếu trong nghiên cứu khoa học hiện đại. Trong bối cảnh công nghệ thông tin phát triển mạnh mẽ, việc ứng dụng trí tuệ nhân tạo vào lĩnh vực vật liệu đã mở ra những khả năng vô hạn. Đồ án tốt nghiệp tại Trường Đại học Phenikaa đã phát triển một nền tảng tính toán và dự đoán tính chất vật liệu thông qua một trang web chuyên dụng. Hệ thống này cho phép các nhà khoa học lưu trữ, quản lý và phân tích dữ liệu cấu trúc vật liệu một cách hiệu quả. Qua đó, nó đóng vai trò quan trọng trong việc khám phá các vật liệu mới có cấu trúc tinh thể bền vững và tính chất ưu việt.

1.1. Khái niệm Hệ thống Thu thập Dữ liệu

Hệ thống thu thập dữ liệu là tập hợp các công cụ và quy trình để thu thập, lưu trữ và xử lý thông tin về vật liệu. Nó tích hợp cơ sở dữ liệu thống nhất lưu giữ các kết quả tính toán mô phỏng. Các dữ liệu này được tổ chức một cách có hệ thống, cho phép truy cập và phân tích dễ dàng. Điều này giúp các nhà nghiên cứu tiết kiệm thời gian và nâng cao hiệu quả trong công việc khoa học.

1.2. Tầm quan trọng của AI trong Nghiên cứu Vật liệu

Trí tuệ nhân tạo giúp tự động hóa các tính toán phức tạp trong dự đoán tính chất vật liệu. Các thuật toán học máy có thể nhận diện các mẫu trong dữ liệu lớn, từ đó dự báo chính xác các tính chất của vật liệu mới. Ứng dụng AI giúp giảm chi phí thử nghiệm và tăng tốc độ khám phá vật liệu, đem lại giá trị kinh tế và khoa học to lớn.

II. Các Hệ thống Lưu trữ Dữ liệu Vật liệu Hàng đầu

Trên thế giới tồn tại nhiều cơ sở dữ liệu vật liệu nổi tiếng phục vụ cộng đồng khoa học quốc tế. Các hệ thống như OQMD (Open Quantum Materials Database), Materials Project và NOMAD (NOvel MAterials Discovery) cung cấp hàng triệu bản ghi về cấu trúc và tính chất vật liệu. Những nền tảng này được xây dựng dựa trên tính toán DFT (Density Functional Theory), một phương pháp tính toán lý thuyết hiện đại. Chúng cho phép các nhà khoa học truy cập dữ liệu miễn phí, so sánh và phân tích các vật liệu khác nhau. Sự phát triển của các hệ thống này đã thúc đẩy ngành công nghệ vật liệu tiến lên phía trước.

2.1. Hệ thống OQMD

OQMD là một kho dữ liệu mở chứa thông tin về cấu trúc tinh thể và tính chất vật liệu. Nó cung cấp giao diện truy vấn trực quan, cho phép người dùng tìm kiếm vật liệu dựa trên các tiêu chí khác nhau. Với hàng triệu bản ghi được tính toán, OQMD là một nguồn tài nguyên quý giá cho các nhà nghiên cứu toàn cầu.

2.2. Hệ thống NOMAD

NOMAD tập trung vào khám phá vật liệu mới thông qua khai thác dữ liệu từ các tính toán lý thuyết. Nó cung cấp công cụ trực quan hóa mạnh mẽ và phân tích nâng cao. NOMAD hỗ trợ mô hình máy học để dự đoán tính chất của vật liệu chưa được tổng hợp.

III. Các Công cụ và Công nghệ Hỗ trợ

Để phát triển hệ thống thu thập dữ liệu vật liệu, cần sử dụng các công cụ lập trình và thư viện khoa học tiên tiến. Python là ngôn ngữ lập trình chủ yếu được sử dụng do tính linh hoạt và thư viện phong phú. Các thư viện như Pymatgen và ASE (Atomic Simulation Environment) cung cấp các chức năng xử lý cấu trúc tinh thể và mô phỏng vật liệu. AiiDA là một nền tảng quản lý quy trình tính toán cho phép tự động hóa các công việc tính toán phức tạp. AiiDA Lab cung cấp giao diện web thân thiện, giúp người dùng dễ dàng tương tác với các công cụ tính toán mà không cần kỹ năng lập trình cao.

3.1. Ngôn ngữ Python và Thư viện Pymatgen

Python được chọn vì cú pháp đơn giản và cộng đồng phát triển lớn. Pymatgen là thư viện chuyên xử lý vật liệu, cung cấp các công cụ để phân tích cấu trúc, tính toán tính chất và mô phỏng tinh thể. Nó tích hợp với DFT và hóa học tính toán.

3.2. Nền tảng AiiDA

AiiDA là hệ thống quản lý dữ liệu cho phép ghi lại toàn bộ quá trình tính toán. Nó tạo đồ thị hóa học để truy vết nguồn gốc dữ liệu. AiiDA Lab mở rộng khả năng thông qua giao diện web và công cụ trực quan, hỗ trợ hợp tác nghiên cứu hiệu quả.

IV. Ứng dụng Thực tế Bài toán Thay thế Nguyên tử

Một ứng dụng tiêu biểu của hệ thống thu thập dữ liệu là bài toán thay thế nguyên tử. Đây là quy trình thay thế các nguyên tử trong cấu trúc tinh thể bằng nguyên tố khác để phát hiện vật liệu mới có tính chất ưu việt. Thông qua mô phỏng tính toán, hệ thống có thể dự đoán cấu trúc bền vững và tính chất điện từ của vật liệu mới. Kết quả của bài toán được lưu trữ trong cơ sở dữ liệu, giúp xây dựng kho dữ liệu lớn cho huấn luyện mô hình AI. Phương pháp này đã giảm thời gian cần thiết để khám phá vật liệu từ hàng năm xuống vài tuần hoặc ngày.

4.1. Quy trình Thực hiện Bài toán

Bài toán thay thế bắt đầu bằng việc chọn một cấu trúc tinh thể từ cơ sở dữ liệu. Hệ thống sau đó thay thế từng vị trí bằng các nguyên tố khác nhau, tạo ra các cấu hình mới. Mỗi cấu hình được tính toán năng lượng để xác định tính ổn định. Kết quả được so sánh và phân loại để xác định vật liệu tiềm năng.

4.2. Lợi ích và Ứng dụng Thực tiễn

Ứng dụng bài toán thay thế giúp phát hiện vật liệu với tính chất điện học, quang học hoặc cơ học tốt hơn. Những vật liệu dự đoán này có thể được tổng hợp thực nghiệm để xác minh. Kỹ thuật này có ứng dụng rộng trong pin năng lượng, pin nhiên liệu và vật liệu bán dẫn.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về vấn đề được nghiên cứu I. Hệ thống lưu trữ dữ liệu về khoa học vật liệu Vấn đề lưu trữ một cách có hệ thống các dữ liệu mô phỏng tính toán nói chung và mô phỏng tính toán trong khoa học vật liệu nói riêng đã được phát triển mạnh trong khoảng 20 năm trở lại đây. Một mặt, quá trình này được thúc đẩy do các điều kiện về máy tính và khả năng lưu trữ đã mạnh hơn rất nhiều so với những năm 1990 trở về trước. Mặt khác, sự phát triển của các công nghệ về trí tuệ nhân tạo và học máy dựa trên cơ sở dữ liệu lớn cho phép khai thác hiệu quả các dữ liệu lưu trữ.

Luận văn này có thể coi là một bước khởi đầu cho việc khởi tạo một hệ thống lưu trữ cho các tính toán mô phỏng và ứng dụng học máy vào trong khoa học vật liệu. Hiện nay có nhiều dự án lớn trong lĩnh vực lưu trữ dữ liệu mô phỏng và tính toán, đặc biệt trong khoa học và kỹ thuật vật liệu đã được hình thành và đang tiếp tục phát triển, điển hình như OQMD [1], Materials Project [2] , Materials Cloud [3] , NOMAD [4], [5]… Do đó, tìm hiểu các hệ thống lưu trữ trên là bước đầu tiên và quan trọng để hiểu hơn vấn đề của luận văn, từ đó giúp chúng tôi định hình hướng phát triển của hệ thống một cách phù hợp. Dưới đây là những nét sơ lược cho một số hệ thống lưu trữ lớn. Hệ thống Open Quantum Materials Database (OQMD).

Hệ thống Open Quantum Materials Database (OQMD) [1] là một cơ sở dữ liệu về tính toán dựa trên lý thuyết phiếm hàm mật độ (density functional theory - DFT) ở quy mô lớn của khoảng 1.000 cấu trúc tinh thể của các vật liệu vô cơ (tới thời điểm hiện tại), đồng thời liên tục được bổ sung và cập nhật các cấu trúc mới. Hệ thống OQMD được phát triển bởi nhóm nghiên cứu của Giáo sư Chris Wolverton tại Đại học Northwestern - bang Illinoise, Hoa Kỳ. Hệ thống OQMD cho phép người dùng có thể tải về máy tính toàn bộ cơ sở dữ liệu (thông qua đường dẫn https://www.org/download/) và cung cấp cho người dùng ba lợi ích quan trọng từ việc cung cấp toàn bộ dữ liệu [1]. Đầu tiên, sự sẵn có của một tập hợp dữ liệu DFT lớn như vậy cho phép những người khác trong các 5 lĩnh vực khác nhau của nghiên cứu và sản xuất có thể sử dụng và sáng tạo những kết quả mới, ngay cả khi họ không đủ tài nguyên để tạo cơ sở dữ liệu của riêng họ.

Kết quả này rất phù hợp mục tiêu của Materials Genome Initiative [6], một chiến lược khởi tạo quá trình phát triển vật liệu, tìm kiếm vật liệu mới nhanh hơn với chi phí thấp hơn của chính phủ Hoa Kỳ. Thứ hai, bộ dữ liệu OQMD có thể đóng vai trò hạt nhân mà từ đó các dự án bên ngoài có thể tham gia và phối hợp để cùng phát triển. OQMD bằng cách cung cấp các cấu trúc điện tử được tính toán cho rất nhiều các vật liệu đã biết, cùng với tiện ích để thực hiện các phép tính mới dễ dàng, các dự án mới từ đó có thể bắt đầu nhanh hơn. Thứ ba, trên OQMD, mỗi loại vật liệu có thể có nhiều lần tính toán khác nhau, với những cách thức khác nhau.

Dựa trên các tính toán này, các thông số đặc trưng của từng loại vật liệu thu nhận được có độ tin cậy cao hơn. Hình 1: Trang chủ OQMD https://oqmd.org với một số chức năng điển hình. Ngoài khả năng tải dữ liệu của OQMD xuống máy tính cá nhân, người dùng có thể khai thác trực tiếp các dữ liệu này ngay trên trang chủ https://oqmd. Hình 1 minh họa cho một số chức năng điển hình như tìm kiếm và truy xuất dữ liệu của các loại vật liệu cụ thể, xây dựng giản đồ pha cho một họ các vật liệu gần giống nhau, xác định trạng thái bền vững của vật liệu, trực quan hóa các cấu trúc vật liệu 6 và các giao diện lập trình (application programming interface - API) cho phép dễ dàng truy xuất dữ liệu.

Hình 2: Các đầu mục cơ sở dữ liệu trong Materials Project theo từng năm. Nguồn:https:/materialsproject.org Bên cạnh OQMD, Materials Project [2] cũng là một dự án lớn về hệ thống cơ sở dữ liệu mở, cung cấp các đặc trưng và thuộc tính vật liệu để đẩy nhanh quá trình tìm kiếm và phát hiện các vật liệu mới. Dự án được thành lập vào năm 2011 bởi Kristin Persson (Lawrence Berkeley National Lab) với trọng tâm là nghiên cứu pin. Đây là một trong những dự án cốt lõi cho chiến lược Materials Genome Initiative của chính phủ Hoa Kỳ.

Hệ thống sử dụng các tính toán DFT trên nhiều hệ thống siêu máy tính khác nhau nhằm xác định cấu trúc tinh thể và các trạng thái bền vững của vật liệu, cũng như cấu trúc vùng năng lượng. Hệ thống cũng cho phép sử dụng dữ liệu theo nhiều cách khác nhau, từ tương tác trực tiếp trên giao diện web cho tới khai thác dữ liệu thông qua các giao diện lập trình. Hiện tại đã bao gồm các tính toán thuộc tính cho vật liệu ứng dụng trong nhiều lĩnh vực khác nhau với khoảng gần 150.000 cấu trúc phân tử và trên 200.000 người dùng. Hầu hết trong số 35.000 phân tử đã biết và hơn 130.000 hợp chất vô cơ đều được đưa vào cơ sở dữ liệu (xem Hình 2).

Hệ thống NOvel MAterials Discovery (NOMAD) Song song với chính phủ Hoa Kỳ, các nước trong liên minh châu Âu, cụ thể Cộng Hòa Liên Bang Đức, cũng phát triển riêng một hệ thống cơ sở dữ liệu được gọi là NOvel MAterials Discovery (NOMAD) [4], [5]. Kho lưu trữ NOMAD chứa các thông tin của hơn 40 triệu phép tính tổng năng lượng (các điểm hội tụ của các cấu trúc vật liệu, cấu trúc nguyên tử.), tương đương với hàng tỷ giờ CPU. NOMAD cho phép người dùng lưu trữ riêng các dữ liệu của mình trong vòng tối đa 3 năm, sau thời gian đó các dữ liệu sẽ trở thành dữ liệu mở. Hình 3 cho thấy sự phát triển theo thời gian của nội dung truy cập mở của NOMAD từ 2014 tới nay.

Số lượng các dữ liệu đóng trên NOMAD không xác định được, tuy nhiên ước tính có 2%, tương đương với một triệu tính toán là dữ liệu đóng. Ngoài ra, hệ thống NOMAD cũng có các giao diện lập trình để khai thác các dữ liệu từ các cơ sở dữ liệu khác như AFLOW, OQMD và Materials Project, từ đó làm tăng hiệu quả sử dụng của hệ thống. Mặc dù còn các vấn đề như sự không thống nhất trong cách lưu trữ dữ liệu (hay dữ liệu không đồng nhất), hệ thống NOMAD vẫn đang tiếp tục được phát triển, khắc phục các thiếu sót để hoàn thiện hơn [4], [5]. Hình 3: Số lượng tính toán năng lượng tổng cộng dựa trên DFT theo từng năm của hệ thống NOMAD.

Nguồn:Ghiringhelli et al. Materials Cloud 8 Hình 4 : Hệ thống với 5 nội dung chính: Lưu trữ dữ liệu, Khám phá vật liệu mới, Khai thác dữ liệu đã có, Môi trường làm việc, Tài liệu học tập. Nguồn: Talirz et al. Cuối cùng, không thể không nhắc tới hệ thống Materials Cloud [3] (https://www.org/home), được phát triển phần lớn bởi các trường đại học và viện nghiên cứu, trong đó đặc biệt là vai trò của Đại học Bách Khoa Lausanne, Thụy Sĩ (École Polytechnique Fédérale de Lausanne – EPFL).

Đây là một hệ thống lưu trữ tích hợp khá mới nhưng có những ưu điểm và vị thế khá nổi bật trong danh sách các hệ thống cơ sở dữ liệu về vật liệu. Nền tảng được thiết kế để cho phép chia sẻ tài nguyên mở trong các quá trình tính toán và mô phỏng, được thúc đẩy bởi các ứng dụng trong mô hình hóa và mô phỏng vật liệu. Materials Cloud có thể lưu trữ các dữ liệu thô và dữ liệu đã được chọn lọc ở tất cả các bước khác nhau của quá trình tính toán, lưu trữ lịch sử một quy trình tính toán cùng rất nhiều tiện ích khác (xem Hình 4). Dựa trên nền tảng là công cụ AiiDA [7], [8], Materials Cloud có thể lưu trữ liên tục quá trình tính toán, từ đó có thể biểu diễn toàn bộ quá trình tính toán mô phỏng ở dạng đồ thị, với các nút của đồ thị là từng bộ phận dữ liệu hoặc một công đoạn tính toán nhỏ.

Người dùng nhờ đó có thể chạy lại quá trình tính toán ở bất kỳ bước nào của quá trình. Vì vậy, với các dữ liệu lưu trữ trên Materials Cloud, người dùng có thể khai thác và sử dụng dữ liệu ở bất kỳ công đoạn nào của quá trình tính toán, từ đó có thể phát triển các tính toán mới một cách hiệu quả và tiết kiệm thời gian và chi phí. Đây là những điểm khác biệt của Materials Cloud khi so sánh với các hệ thống lưu trữ khác trên thế giới. Các công cụ hỗ trợ 9 Sự phát triển đa dạng của nhiều hệ thống lưu trữ khác nhau trên thế giới dẫn tới sự hình thành của các công cụ khác nhau hỗ trợ việc xây dựng các hệ thống này.

Vì vậy, để phát triển một hệ thống lưu trữ của riêng một cá nhân hoặc một tổ chức, chúng ta không thể phát triển từ đầu mà hoàn toàn có thể dựa trên các công cụ đã có sẵn trên thế giới. Dưới đây là các công cụ chủ yếu mà chúng tôi đã sử dụng trong quá trình xây dựng khởi đầu của hệ thống tính toán và lưu trữ. Ngôn ngữ lập trình Python Hình 5: Python, một ngôn ngữ lập trình đa dụng, được sử dụng trong nhiều lĩnh vực khác nhau. Các nhà phát triển sử dụng Python vì nó hiệu quả, dễ học và có thể chạy trên nhiều nền tảng khác nhau.

Phần mềm Python có mã nguồn mở và được tải xuống hoàn toàn miễn phí. Python có thể tích hợp tốt với tất cả các loại hệ thống và tăng tốc độ phát triển các chương trình máy tính. Được phát triển từ đầu những năm 1990, trải qua 30 năm, Python đã trở thành một ngôn ngữ đa dụng, phục vụ cho nhiều mục đích khác nhau (xem Hình 5). Người ta có thể sử dụng Python trong lập trình web, xử lý văn bản, mô phỏng và tính toán, 10 quản trị hệ thống.

Trong hơn 10 năm trở lại đây, trí tuệ nhân tạo và khoa học dữ liệu đang đẩy mạnh phát triển và ứng dụng. Python trở thành ngôn ngữ chủ đạo để triển khai xử lý dữ liệu, huấn luyện các mô hình học máy hoặc dự đoán kết quả học máy. Điện toán đám mây cũng sử dụng Python mạnh mẽ để quản lý các container được triển khai trên các máy ảo.