Việc phát triển các vật liệu cấu trúc, chức năng và lượng tử tiên tiến đóng vai trò then chốt trong việc giải quyết các thách thức toàn cầu như khủng hoảng năng lượng và sự bùng nổ của công nghệ thông tin. Các phương pháp nghiên cứu vật liệu truyền thống chủ yếu dựa trên thử–sai và kinh nghiệm chuyên môn riêng lẻ, dẫn đến chi phí cao, chu kỳ phát triển dài và khả năng mở rộng hạn chế. Trong những năm gần đây, các phương pháp tiếp cận dựa trên dữ liệu và học máy đã nổi lên như một mô hình mang tính chuyển đổi trong khoa học vật liệu, bổ sung cho thực nghiệm, lý thuyết hiện tượng học và mô phỏng dựa trên vật lý.
Một thách thức cốt lõi của khoa học vật liệu là việc hiểu và khai thác mối quan hệ giữa thành phần – quy trình – (vi) cấu trúc – tính chất (CPSP). Học máy ngày càng được ứng dụng để mô hình hóa từng mắt xích trong chuỗi này, bao gồm xác định quy trình tổng hợp, điều khiển vi cấu trúc và dự đoán tính chất vật liệu. Tuy nhiên, việc xây dựng một mô tả định lượng và toàn diện cho các mối quan hệ CPSP trên toàn bộ không gian thành phần và chức năng vẫn còn hạn chế, chủ yếu do tính đa chiều và độ phức tạp cao của không gian thiết kế.
Do đó, phần lớn các quy trình thiết kế vật liệu hiện nay vẫn tuân theo cách tiếp cận thuận chiều, trong đó nhiều ứng viên vật liệu được tạo ra, đánh giá và sàng lọc để lựa chọn vật liệu có tính chất tối ưu. Để đẩy nhanh hơn nữa quá trình khám phá vật liệu, các phương pháp thiết kế ngược (inverse design)—nhằm trực tiếp xác định thành phần và điều kiện xử lý để đạt được các tính chất mong muốn—đã thu hút sự quan tâm ngày càng lớn. Các chiến lược thiết kế ngược hiện nay bao gồm sàng lọc tính toán thông lượng cao, tối ưu hóa toàn cục và các mô hình học máy sinh.
Các quy trình thông lượng cao, thường dựa trên lý thuyết phiếm hàm mật độ và các nền tảng mô phỏng tự động, cho phép khảo sát có hệ thống mối quan hệ giữa cấu trúc tinh thể và tính chất nội tại, nhưng vẫn đòi hỏi tài nguyên tính toán lớn. Các phương pháp tối ưu hóa toàn cục như tối ưu Bayes và thuật toán di truyền giúp giảm chi phí tính toán bằng cách xây dựng các mô hình thay thế và định hướng quá trình tìm kiếm một cách thích nghi, đồng thời có thể tích hợp trực tiếp với thực nghiệm trong các vòng lặp khép kín.
Gần đây, học sâu sinh (generative deep learning) đã nổi lên như một hướng tiếp cận đầy triển vọng cho thiết kế vật liệu ngược. Thông qua việc học các biểu diễn tiềm ẩn gọn nhẹ của dữ liệu vật liệu có chiều cao, các mô hình sinh cho phép khám phá hiệu quả không gian thiết kế và tạo ra các vật liệu mới vượt ra ngoài phạm vi dữ liệu đã biết. Tuy nhiên, vẫn còn tồn tại nhiều thách thức liên quan đến việc xây dựng không gian tiềm ẩn có ý nghĩa vật lý, tích hợp các ràng buộc miền và thực hiện tối ưu hóa đa mục tiêu hiệu quả.
Trong bài tổng quan này, chúng tôi tập trung vào các phương pháp thiết kế vật liệu ngược dựa trên học sâu sinh, với trọng tâm là mối quan hệ giữa cấu trúc tinh thể và tính chất nội tại, cũng như giữa vi cấu trúc và tính chất ngoại tại. Các thành phần phương pháp luận chính, bao gồm biểu diễn vật liệu, kiến trúc học sâu và tích hợp ràng buộc, sẽ được phân tích và tổng hợp. Cuối cùng, chúng tôi thảo luận các thách thức còn tồn tại và đưa ra triển vọng nghiên cứu trong tương lai.
Loại tài liệu: Chương sách
Tác giả: Zhang, Yixuan; Long, Teng; Zhang, Hongbin
Năm xuất bản: 14/01/2026
Trang: 127–166
ISBN: 978-3-032-04128-9
Tiêu đề chương: Học sâu sinh cho thiết kế ngược vật liệu
DOI: 10.1007/978-3-032-04129-6_8
Toàn văn bài báo:
https://www.researchgate.net/publication/399697184_Hybrid_AI-Manual_Migration_Framework_Best_Practices_for_Transitioning_from_Angular_to_React