Giới thiệu dự án

Năng lượng mặt trời là nguồn tài nguyên tái tạo dồi dào nhất hành tinh, với lượng bức xạ chiếu tới Trái Đất trong 1,5 giờ đủ cung cấp cho nhu cầu tiêu thụ toàn cầu trong cả năm. Tuy nhiên, hơn 80–85% nguồn cung năng lượng hiện nay vẫn phụ thuộc vào nhiên liệu hóa thạch, dẫn đến khủng hoảng khí thải nhà kính và biến đổi khí hậu nghiêm trọng. Để tối đa hóa hiệu suất chuyển đổi quang năng, các thiết bị hấp thụ bức xạ mặt trời băng thông rộng (từ cực tím 200 nm đến hồng ngoại 3000 nm theo chuẩn quang phổ AM1.5) đóng vai trò then chốt.

Mặc dù các vật liệu plasmonic truyền thống như Vàng (Au) hay Bạc (Ag) mang lại hiệu suất cộng hưởng cao, chúng lại gặp rào cản lớn về chi phí đắt đỏ, độ bền nhiệt kém và tổn hao lớn ở nhiệt độ cao. Đồng thời, các cấu trúc siêu vật liệu biến hóa (metamaterial absorber) đa lớp phức tạp (như TiN–SiO₂–TiN) đòi hỏi quy trình chế tạo quang khắc nano nhiều bước và tốn hàng chục giờ tính toán mô phỏng điện từ (FDTD/FEM) cho mỗi vòng lặp tối ưu hóa.

Đồ án tốt nghiệp "Ứng dụng trí tuệ nhân tạo trong nghiên cứu phổ quang học cấu trúc nano" (Sinh viên: Đặng Bùi Nhật Lê, GVHD: TS. Phan Đức Anh, Đại học Phenikaa, 2024) giải quyết trực tiếp bài toán tối ưu hóa bộ hấp thụ quang thông qua việc tích hợp vật liệu gốm plasmonic Titanium Nitride (TiN) cấu trúc 2 lớp tinh giản cùng mô hình học máy (Machine Learning) dự đoán quang phổ tốc độ cao.

Mục tiêu dự án

  1. Thiết kế và mô phỏng cấu trúc bộ hấp thụ 2 lớp TiN trên phần mềm CST Studio Suite, đạt phổ hấp thụ hoàn hảo trên dải bước sóng 200 – 3000 nm.
  2. Khảo sát cơ chế vật lý chi phối sự hấp thụ (cộng hưởng plasmonic bề mặt cục bộ - LSPR, bẫy quang học khoang cộng hưởng, ảnh hưởng pha tạp Oxy/TiO₂ theo mô hình Bruggeman/Maxwell-Garnett EMA).
  3. Xây dựng bộ dữ liệu (Dataset) từ mô phỏng trường điện từ 3D bao gồm các tham số hình học biến thiên ($h_1, h_2, D$) và bước sóng $\lambda$.
  4. Phát triển mô hình AI/ML dự đoán chính xác phổ quang học (dự đoán thuận) và tự động suy xuất thông số hình học tối ưu từ phổ mục tiêu (thiết kế ngược) với hệ số xác định $R^2 \ge 0.99$.

Phạm vi và giới hạn

  • Phạm vi vật liệu: Gốm plasmonic TiN (đặc trưng bởi mô hình Drude, hàm điện môi thực nghiệm và DFT qua Quantum ESPRESSO).
  • Phạm vi cấu trúc: Cấu trúc vòng nano (nanoring) trụ rỗng trên đế phẳng tuần hoàn ($P = 430\text{ nm}$, $h_1 \in [260, 400]\text{ nm}$, $h_2 \in [70, 140]\text{ nm}$, $D \in [300, 370]\text{ nm}$, bề dày thành vòng cố định 15 nm với $d = D - 30\text{ nm}$).
  • Giới hạn góc tới: Bức xạ không phân cực và góc nghiêng chùm tia $\theta \in [0^\circ, 70^\circ]$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Cấu trúc 3-5 lớp (TiN–SiO₂–TiN) Cấu trúc nón nano đa lớp (Nanocone) Cấu trúc 2 lớp TiN đề xuất
Độ phức tạp chế tạo Rất cao (Lắng đọng màng mỏng xen kẽ nhiều lần) Cực cao (Khắc ăn mòn dị hướng độ dốc nano) Thấp (Chỉ gồm 1 vật liệu TiN nguyên khối)
Độ bền nhiệt độ cao Kém (Hiện tượng khuếch tán lớp tiếp xúc) Trung bình (Dễ sập cấu trúc đầu nhọn) Xuất sắc (TiN trơ hóa học, nóng chảy > 2930°C)
Độ hấp thụ AM1.5 94.85% – 95.8% 96.2% 95.5%
Thời gian thiết kế Tốn kém (Nhiều tham số ghép lớp) Tốn kém (Mô hình lưới 3D cực lớn) Tối ưu cực nhanh với mô hình ML ($< 1\text{ s}$)
Chi phí vật liệu Cao (Kết hợp nhiều mục tiêu gốm/điện môi) Cao Tối ưu (Tiết kiệm > 40% chi phí)

Phân tích yêu cầu theo MoSCoW

  • Must-have: Độ hấp thụ trung bình dải $200–3000\text{ nm} \ge 90%$; suy hao truyền qua $T(\lambda) \approx 0$; mô hình ML đạt $R^2 > 0.95$.
  • Should-have: Hiệu suất hấp thụ phổ AM1.5 $\ge 95%$; góc chiếu duy trì ổn định đến $40^\circ$; hỗ trợ thuật toán thiết kế ngược (Inverse Design).
  • Could-have: Đánh giá định lượng ảnh hưởng suy giảm hiệu suất do oxy hóa hình thành TiNO theo mô hình dẫn nhiệt Hamilton-Crosser.
  • Won't-have: Chế tạo thực nghiệm vật lý trong phòng sạch MEMS/NEMS (dành cho pha mở rộng).

Thiết kế hệ thống

Technology Stack

  • EM Simulation Engine: CST Studio Suite 2023 (Finite Integration Technique - FIT & Frequency Domain Solver).
  • First-principles Calculations: Quantum ESPRESSO v7.2 (GGA-PBE, Norm-Conserving Vanderbilt Pseudopotentials SG15 ONCV).
  • Data Science & ML Stack: Python 3.10, Scikit-learn 1.3.2, NumPy 1.24.3, Pandas 2.1.0, SciPy 1.11.2, Matplotlib 3.8.0.
  • Hardware Profile: Workstation Intel Core i9-13900K 24-core, 64GB DDR5 RAM, NVIDIA RTX 4090 24GB.

Methodology

Dự án áp dụng phương pháp nghiên cứu liên ngành kết hợp giữa Vật lý tính toán và Mô hình hóa dữ liệu (CRISP-DM):

Quản lý rủi ro và giải pháp khắc phục

  1. Rủi ro sai lệch hàm điện môi: Dữ liệu DFT thuần lý thuyết có độ lệch lớn ở vùng hồng ngoại ($\lambda \ge 1000\text{ nm}$) do phần ảo $\varepsilon''(\omega)$ bị đánh giá thấp. Giải pháp: Chuẩn hóa và sử dụng hàm điện môi thực nghiệm kết hợp phép đo elip quang học (Spectroscopic Ellipsometry) và EELS.
  2. Rủi ro quá khớp (Overfitting) trên mô hình ML: Dữ liệu có tính tương quan phi tuyến cao giữa bước sóng và tham số kích thước. Giải pháp: Thực hiện cross-validation 5-fold và tinh chỉnh độ sâu cây (max_depth, min_samples_split).

Implementation và kết quả

Development process

1. Cơ sở toán học và quang điện từ

Hàm điện môi của vật liệu dẫn điện/gốm plasmonic TiN được biểu diễn qua mô hình Drude: $$\varepsilon(\omega) = 1 - \frac{\omega_p^2}{\omega^2 + i\Gamma\omega}$$ Trong đó $\omega_p$ là tần số plasma (phụ thuộc mật độ điện tử tự do $N$), $\Gamma$ là tốc độ tán xạ điện tử. Khi $\omega < \omega_p$, phần thực $\varepsilon'(\omega) < 0$, vật liệu thể hiện tính chất phản xạ và plasmonic kim loại mạnh mẽ.

Độ sâu thâm nhập bề mặt (Skin depth $\delta$) xác định độ dày tối thiểu của đế TiN nhằm triệt tiêu hệ số truyền qua ($T(\lambda) = 0$): $$\delta = \sqrt{\frac{\rho}{\pi f \mu}} = \sqrt{\frac{\rho \lambda}{\pi c \mu}}$$ Với điện trở suất của TiN $\rho = 25\ \mu\Omega\cdot\text{cm}$, trong dải $\lambda \in [200, 3000]\text{ nm}$, độ thâm nhập $\delta$ dao động từ $6.5\text{ nm}$ đến $25\text{ nm}$. Do đó, việc thiết lập độ dày đế $h_2 \ge 70\text{ nm}$ (trong nghiên cứu chọn $h_2 = 140\text{ nm}$) đảm bảo $T(\lambda) = 0$, giúp công thức hấp thụ rút gọn thành: $$A(\lambda) = 1 - R(\lambda)$$

Hiệu suất hấp thụ tổng hợp tích phân trên toàn dải quang phổ mặt trời tiêu chuẩn AM1.5: $$\eta_A = \frac{\int_{200\text{ nm}}^{3000\text{ nm}} A(\lambda) I_{\text{AM1.5}}(\lambda) , d\lambda}{\int_{200\text{ nm}}^{3000\text{ nm}} I_{\text{AM1.5}}(\lambda) , d\lambda}$$

2. Triển khai mã nguồn Machine Learning

Xây dựng pipeline huấn luyện, kiểm thử và so sánh các thuật toán hồi quy nhằm tìm ra mô hình tối ưu cho dự đoán phổ quang học:

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import ExtraTreesRegressor
from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import r2_score, mean_absolute_error, mean_squared_error
import time

# 1. Nạp và chuẩn hóa dữ liệu mô phỏng từ CST
# Dataset chứa: ['h1', 'h2', 'D', 'wavelength', 'absorption']
df = pd.read_csv("cst_tin_nanoring_dataset.csv")
X = df[['h1', 'h2', 'D', 'wavelength']].values
y = df['absorption'].values

# 2. Phân chia tập dữ liệu train/test tỷ lệ 80/20
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, shuffle=True
)

# 3. Định nghĩa các mô hình học máy
models = {
    "Decision Tree": DecisionTreeRegressor(criterion="squared_error", max_depth=25, random_state=42),
    "Extra Trees": ExtraTreesRegressor(n_estimators=100, max_depth=25, random_state=42, n_jobs=-1),
    "K-Neighbors": KNeighborsRegressor(n_neighbors=3, weights='distance', n_jobs=-1)
}

# 4. Huấn luyện và đánh giá hiệu năng
benchmark_results = {}
for name, model in models.items():
    t0 = time.perf_counter()
    model.fit(X_train, y_train)
    t_train = time.perf_counter() - t0
    
    t0_pred = time.perf_counter()
    y_pred = model.predict(X_test)
    t_pred = time.perf_counter() - t0_pred
    
    r2 = r2_score(y_test, y_pred)
    mae = mean_absolute_error(y_test, y_pred)
    rmse = np.sqrt(mean_squared_error(y_test, y_pred))
    
    benchmark_results[name] = {
        "R2_Score": round(r2, 4),
        "MAE": round(mae, 4),
        "RMSE": round(rmse, 4),
        "Train_Time_s": round(t_train, 4),
        "Predict_Time_s": round(t_pred, 4)
    }

# Xuất kết quả kiểm nghiệm
print(pd.DataFrame(benchmark_results).T)

Testing và validation

Kiểm chuẩn độ tin cậy mô phỏng

Trước khi tiến hành khảo sát mở rộng, hệ thống mô phỏng CST đã được kiểm chứng (benchmark) bằng cách tái tạo lại phổ hấp thụ của các công trình công bố quốc tế:

  • Cấu trúc 5 lớp TiN–SiO₂ (Shuai et al., 2023): Tái tạo chính xác các đỉnh hấp thụ tại $450\text{ nm}, 830\text{ nm}, 1490\text{ nm}$.
  • Cấu trúc 3 lớp TiN–SiO₂ (Sun et al., 2023): Khớp hoàn toàn các đỉnh cộng hưởng tại $475\text{ nm}, 970\text{ nm}, 2140\text{ nm}$.
  • Cấu trúc W–SiO₂ (Raj Kumar et al.): Xác nhận độ lệch bước sóng $\Delta \lambda < 1.8%$.

Đánh giá hiệu năng các thuật toán học máy

Thuật toán Hệ số $R^2$ MAE RMSE Thời gian huấn luyện (s) Thời gian dự đoán (s)
Decision Tree 0.9912 0.0048 0.0091 0.142 0.0035
Extra Trees 0.9895 0.0053 0.0102 4.821 0.0842
K-Neighbors (KNN) 0.9634 0.0121 0.0215 0.052 0.1250 
                       SO SÁNH ĐỘ CHÍNH XÁC R² GIỮA CÁC THUẬT TOÁN
  Decision Tree   [██████████████████████████████████████████████████] 0.9912 (Khuyên dùng)
  Extra Trees     [████████████████████████████████████████████████░] 0.9895
  K-Neighbors     [██████████████████████████████████████████░░░░░░░] 0.9634

Kết quả đạt được

  1. Hiệu suất hấp thụ vượt trội: Bộ thông số tối ưu gồm $P = 430\text{ nm}$, $h_1 = 320\text{ nm}$, $h_2 = 140\text{ nm}$, $D = 315\text{ nm}$, $d = 285\text{ nm}$ mang lại độ hấp thụ trung bình 93% trên dải 200 – 3000 nm và độ hấp thụ tích phân năng lượng mặt trời AM1.5 đạt 95.5%.
  2. Khám phá 4 cơ chế bẫy quang học đồng thời:
    • Giam giữ ánh sáng trong khe hở nano giữa các vòng TiN liền kề (Gap plasmons tại $\lambda = 1550\text{ nm}$).
    • Cộng hưởng khoang bên trong thể tích trụ rỗng (Cavity resonance tại $\lambda = 780\text{ nm}$).
    • Hấp thụ bề mặt trong/ngoài của thành vòng nano (LSPR tại $\lambda = 360\text{ nm}$).
    • Tiêu tán nhiệt trên lớp đế TiN dày chặn hoàn toàn phản xạ đáy.
  3. Độ ổn định góc chiếu: Duy trì hiệu suất hấp thụ trên $90%$ ở dải khả kiến và cận hồng ngoại với góc nghiêng chùm tia $\theta \le 40^\circ$.
  4. Đột phá về tốc độ thiết kế ngược: Decision Tree cho phép dự đoán chính xác cấu trúc hình học từ một phổ mục tiêu tùy biến chỉ trong dưới 10 mili-giây, với sai số tương quan đồ thị so với mô phỏng CST 3D thực tế $< 1.2%$.

Đổi mới và đóng góp

1. Đơn giản hóa kiến trúc siêu bề mặt (Metasurface Simplification)

Loại bỏ hoàn toàn lớp điện môi trung gian (như $\text{SiO}_2$ hay $\text{Al}_2\text{O}_3$) vốn thường thấy trong mô hình Metal-Insulator-Metal (MIM), đề xuất cấu trúc thuần 2 lớp TiN đơn chất. Cải tiến này giúp loại bỏ triệt để nguy cơ bong tách màng do chênh lệch hệ số giãn nở nhiệt ở nhiệt độ cao, đồng thời giảm 50% số chu kỳ lắng đọng chân không trong chế tạo.

2. Định lượng ảnh hưởng của quá trình oxy hóa hình thành màng TiNO

Sử dụng lý thuyết môi trường hiệu dụng Bruggeman (EMA) và mô hình dẫn nhiệt Hamilton-Crosser: $$K_d = K_m \frac{K_i + (n-1)K_m + (n-1)\phi(K_i - K_m)}{K_i + (n-1)K_m - \phi(K_i - K_m)}$$ Chứng minh rằng khi tỷ lệ pha tạp Oxy tạo thành $\text{TiO}_2$ tăng đến $50%$, độ hấp thụ quang chỉ giảm $9.23%$ nhưng độ dẫn nhiệt hiệu dụng $K_d$ giảm đến $50%$ (từ $60\text{ W/m}\cdot\text{K}$ xuống $30\text{ W/m}\cdot\text{K}$), giải thích hiện tượng tích tụ nhiệt cục bộ trên các thiết bị thu nhiệt mặt trời thực tế.

3. Tối ưu hóa thiết kế tăng tốc bởi AI (AI-Accelerated Nanophotonics)

Thay thế phương pháp quét tham số truyền thống (Grid Search FDTD tiêu tốn trung bình 45 phút/mô phỏng) bằng mô hình Decision Tree có thời gian suy luận $0.0035\text{ giây}$. Tốc độ thiết kế và thử nghiệm cấu trúc được tăng tốc hơn 10.000 lần.

Công trình / Giải pháp Số lớp vật liệu Dải phổ hoạt động Hiệu suất hấp thụ AM1.5 Ứng dụng AI/ML
Shuai et al. (2023) 5 lớp ($\text{TiN-SiO}_2$) $400 - 1500\text{ nm}$ 94.85% Không
Sun et al. (2023) 3 lớp ($\text{TiN-SiO}_2$) $300 - 2500\text{ nm}$ 95.80% Không
Đồ án Đặng Bùi Nhật Lê (2024) 2 lớp (Thuần TiN) $200 - 3000\text{ nm}$ 95.50% Có (Decision Tree $R^2=0.99$)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng công nghiệp

  • Hệ thống nhiệt mặt trời tập trung (Concentrated Solar Power - CSP): Khả năng chịu nhiệt của TiN ($> 2000^\circ\text{C}$) kết hợp độ hấp thụ $95.5%$ giúp tăng hiệu suất chuyển đổi nhiệt-điện của các tháp năng lượng mặt trời.
  • Pin nhiệt quang điện (Thermophotovoltaics - TPV): Đóng vai trò lớp hấp thụ chọn lọc băng rộng và phát xạ nhiệt định hướng.
  • Hệ thống khử muối và lọc nước biển bằng năng lượng mặt trời (Solar Desalination): Bề mặt TiN nano hấp thụ ánh sáng sinh nhiệt cục bộ cực nhanh, thúc đẩy quá trình bốc hơi nước mặt mà không làm thất thoát nhiệt khối.
  • Vật liệu ngụy trang nhiệt và hấp thụ radar hồng ngoại: Tán xạ và bẫy sóng bức xạ nhiệt trong dải hồng ngoại gần và sóng ngắn ($700–3000\text{ nm}$).

Lộ trình triển khai sản xuất (Roadmap)

  1. Giai đoạn 1 (Thiết kế & Dự đoán): Sử dụng mô hình Machine Learning tích hợp sẵn API để chọn bộ thông số theo yêu cầu phổ quang học của từng vùng địa lý.
  2. Giai đoạn 2 (Chế tạo mẫu): Áp dụng công nghệ phún xạ magnetron phản ứng (Reactive Magnetron Sputtering) tạo màng TiN đáy trên đế Si/Thủy tinh quartz; định hình cấu trúc trụ rỗng bằng kỹ thuật in nano (Nanoimprint Lithography - NIL) hoặc khắc chùm tia điện tử (E-beam Lithography).
  3. Giai đoạn 3 (Kiểm chuẩn thực địa): Đo phổ phản xạ/hấp thụ thực tế bằng phổ kế UV-Vis-NIR tích hợp quả cầu tích phân (Integrating Sphere).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ nhạy sai số chế tạo: Thành vòng nano có độ mỏng $15\text{ nm}$ ($d = D - 30\text{ nm}$) đòi hỏi độ chính xác khắc quang học rất cao; sai số kích thước vượt quá $\pm 5\text{ nm}$ sẽ làm dịch chuyển các đỉnh LSPR.
  • Suy giảm hiệu suất ở góc nghiêng lớn: Khi góc tới $\theta > 40^\circ$, tương tác từ trường bị phá vỡ cục bộ, dẫn đến độ hấp thụ ở vùng hồng ngoại ($700–3000\text{ nm}$) suy giảm khoảng $15–20%$.

Hướng phát triển tiếp theo

  • Mạng nơ-ron tích hợp tri thức vật lý (Physics-Informed Neural Networks - PINN): Nhúng trực tiếp phương trình Maxwell vào hàm mất mát của mô hình Deep Learning để dự đoán trường điện từ đầy đủ không cần dữ liệu mô phỏng ngoài.
  • Cấu trúc bất đối xứng đa hình học: Tích hợp các mảng vòng elip hoặc cấu trúc đa kích thước lồng ghép (nested nanorings) nhằm duy trì độ hấp thụ ổn định ở góc tới rộng $\theta \ge 60^\circ$.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình hoàn chỉnh từ vật lý bán dẫn/vật liệu plasmonic, tính toán phiếm hàm mật độ DFT đến ứng dụng trí tuệ nhân tạo giải quyết bài toán vật lý cụ thể.
  • Kỹ sư Quang học & Vật liệu: Sở hữu công cụ Machine Learning mã nguồn mở giúp dự đoán và thiết kế ngược cấu trúc quang tử chỉ trong vài mili-giây thay vì chờ đợi phần mềm mô phỏng thương mại nặng nề.
  • Doanh nghiệp Năng lượng Tái tạo: Nhận được bản thiết kế bộ hấp thụ quang nhiệt 2 lớp đơn giản hóa, bền nhiệt, tiết kiệm chi phí gia công và nâng cao hiệu suất tấm thu nhiệt mặt trời.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và phần mềm để triển khai mô hình AI này là gì?

Mô hình Machine Learning (Decision Tree Regressor) rất nhẹ, có thể huấn luyện và suy luận trên bất kỳ máy tính cá nhân tiêu chuẩn nào (chỉ cần CPU 4 nhân, 8GB RAM, Python 3.8+ cùng các thư viện scikit-learn, numpy, pandas). Việc sử dụng máy trạm GPU chuyên dụng chỉ cần thiết trong giai đoạn mô phỏng ban đầu trên phần mềm CST Studio Suite để tạo tập dữ liệu.

2. Tại sao cấu trúc 2 lớp TiN lại vượt trội hơn các bộ hấp thụ 3 lớp truyền thống?

Cấu trúc 2 lớp loại bỏ hoàn toàn lớp đệm điện môi ($\text{SiO}_2$). Nhờ tận dụng đồng thời 4 cơ chế bẫy quang (cộng hưởng khoang bên trong vòng, ghép nối plasmon khe hở giữa các vòng, hấp thụ nội tại thành vòng và đế dày), cấu trúc này vẫn đạt hiệu suất $95.5%$ tương đương hệ 3-5 lớp nhưng có độ bền nhiệt cơ học cao hơn gấp nhiều lần và quy trình sản xuất đơn giản hơn 50%.

3. Mô hình Decision Tree có gặp hiện tượng quá khớp (overfitting) khi dự đoán phổ không?

Trong nghiên cứu, Decision Tree được giới hạn độ sâu tối ưu và đánh giá chặt chẽ qua tập kiểm thử độc lập (Test Set chiếm 20% dữ liệu, chưa từng xuất hiện trong quá trình train). Kết quả đạt hệ số xác định $R^2 = 0.9912$ cùng sai số tuyệt đối trung bình $MAE = 0.0048$, chứng minh mô hình có khả năng tổng quát hóa xuất sắc.

4. Bề dày đế $h_2 = 140\text{ nm}$ có thể giảm xuống để tiết kiệm vật liệu không?

Có thể giảm xuống tối thiểu $h_2 = 70\text{ nm}$. Theo tính toán lý thuyết, độ sâu đâm xuyên da của sóng điện từ trong TiN tối đa là $25\text{ nm}$ ở bước sóng $3000\text{ nm}$. Do đó, bất kỳ bề dày đế nào $h_2 \ge 70\text{ nm}$ đều đảm bảo hệ số truyền qua $T(\lambda) = 0$ tuyệt đối mà không làm suy giảm hiệu suất hấp thụ của thiết bị.

5. Sự oxy hóa tự nhiên trong quá trình chế tạo có phá hủy tính năng của bộ hấp thụ không?

Không phá hủy hoàn toàn nhưng gây suy giảm có thể dự báo. Khi oxy xâm nhập tạo thành hợp chất $\text{TiNO}$ (tương đương hỗn hợp $\text{TiO}_2/\text{TiN}$ với tỷ lệ thể tích $\text{TiO}_2 \le 30%$), hiệu suất hấp thụ chỉ suy giảm nhẹ $< 5%$. Tuy nhiên, cần kiểm soát môi trường lắng đọng chân không để tránh làm giảm độ dẫn nhiệt, ngăn ngừa tích nhiệt gây biến dạng cục bộ.

Kết luận

Đồ án tốt nghiệp "Ứng dụng trí tuệ nhân tạo trong nghiên cứu phổ quang học cấu trúc nano" của sinh viên Đặng Bùi Nhật Lê (Đại học Phenikaa) đã thiết kế thành công bộ hấp thụ năng lượng mặt trời 2 lớp siêu tinh giản dựa trên vật liệu Titanium Nitride (TiN). Cấu trúc đạt hiệu suất hấp thụ trung bình 93% trên toàn dải quang phổ 200 – 3000 nm và hiệu suất bức xạ mặt trời AM1.5 đạt 95.5%, duy trì ổn định ở góc chiếu lên đến $40^\circ$.

Đột phá then chốt của nghiên cứu nằm ở việc ứng dụng thành công thuật toán Decision Tree Regressor, đạt hệ số xác định $R^2 = 0.99$, rút ngắn thời gian mô phỏng và thiết kế ngược từ hàng giờ xuống dưới 10 mili-giây. Đây là minh chứng rõ nét cho xu hướng kết hợp giữa Trí tuệ nhân tạo và Khoa học vật liệu tính toán (Materials Informatics), mở ra tiềm năng ứng dụng to lớn trong công nghệ nhiệt mặt trời, pin nhiệt quang điện và vật liệu ngụy trang quang học thế hệ mới.