Thông qua bài nghiên cứu đăng trên tạp chí khoa học Nature hôm 29.11, Google DeepMind, công ty AI thuộc sở hữu của Alphabet, cho biết gần 400.000 trong số các thiết kế vật liệu giả định của họ có thể sớm được sản xuất ở điều kiện phòng thí nghiệm. Các ứng dụng tiềm năng của nghiên cứu này gồm sản xuất pin, tấm pin năng lượng mặt trời và chip máy tính có hiệu suất tốt hơn.
Việc phát hiện và tổng hợp các vật liệu mới có thể là quá trình tốn kém, mất thời gian. Ví dụ, phải mất khoảng hai thập kỷ nghiên cứu trước khi pin lithium-ion, ngày nay được dùng để cung cấp năng lượng cho mọi thứ từ điện thoại di động, máy tính xách tay đến ô tô điện, xuất hiện trên thị trường.
Ekin Dogus Cubuk, nhà khoa học nghiên cứu tại Google DeepMind, cho biết: “Chúng tôi hy vọng rằng những cải tiến lớn trong thử nghiệm, tổng hợp tự động và mô hình học máy sẽ rút ngắn đáng kể khoảng thời gian 10 đến 20 năm đó xuống mức ít hơn nhiều”.
Học máy là một lĩnh vực trong AI tập trung vào việc phát triển các thuật toán và mô hình máy tính có khả năng học hỏi từ dữ liệu và cải thiện hiệu suất của chúng theo thời gian mà không cần lập trình cụ thể. Các hệ thống học máy có khả năng tự động tìm hiểu và áp dụng kiến thức từ dữ liệu để thực hiện các nhiệm vụ cụ thể như phân loại, dự đoán, nhận dạng mẫu và tối ưu hóa quyết định.
Những ứng dụng của học máy rất đa dạng và bao gồm trong lĩnh vực như xử lý ngôn ngữ tự nhiên, thị giác máy tính, xe tự hành, dự đoán thời tiết, quản lý dữ liệu lớn...
Học máy đã có sự tiến bộ đáng kể trong thập kỷ gần đây, nhờ sự phát triển của các mô hình học sâu (deep learning) và khả năng xử lý dữ liệu lớn (big data), mang lại nhiều cơ hội và tiềm năng trong việc giải quyết các vấn đề phức tạp và cải thiện hiệu suất trong nhiều lĩnh vực khác nhau.
Google DeepMind sử dụng AI để dự đoán cấu trúc hơn 2 triệu vật liệu mới, một bước đột phá mà hãng cho biết có thể sớm được sử dụng để cải thiện các công nghệ trong thế giới thực - Ảnh: Internet
AI của Google DeepMind được đào tạo dựa trên dữ liệu từ Materials Project (Dự án Vật liệu), nhóm nghiên cứu quốc tế được thành lập tại Phòng thí nghiệm quốc gia Lawrence Berkeley (Mỹ) vào năm 2011, gồm cả nghiên cứu hiện có về khoảng 50.000 vật liệu đã biết đến.
Google DeepMind cho biết giờ đây công ty sẽ chia sẻ dữ liệu của mình với cộng đồng nghiên cứu với hy vọng thúc đẩy những đột phá hơn nữa trong khám phá vật liệu.
Kristin Persson, Giám đốc Materials Project, nói: “Ngành công nghiệp thường có xu hướng tránh rủi ro khi nói đến việc tăng chi phí, và vật liệu mới thường mất một khoảng thời gian trước khi trở nên hiệu quả về chi phí. Nếu chúng ta có thể làm giảm điều đó thậm chí một chút nữa thì sẽ được xem xét là sự đột phá thực sự”.
Sau khi sử dụng AI để dự đoán độ ổn định của những vật liệu mới này, Google DeepMind cho biết giờ đây công ty sẽ chuyển trọng tâm sang việc dự đoán mức độ tổng hợp chúng trong phòng thí nghiệm dễ dàng ở mức độ nào.
DeepMind là công ty AI có trụ sở tại London (thủ đô Anh), ra đời vào năm 2010 và sau đó được Google mua lại hồi năm 2014 với giá khoảng 500 triệu USD. Google DeepMind nổi tiếng với các nghiên cứu và phát triển trong lĩnh vực AI, đặc biệt là trong các lĩnh vực như học máy, học sâu và học máy tăng cường. Công ty này đã đạt được nhiều thành tựu nổi bật, trong đó có việc phát triển các hệ thống AI chơi cờ vua và cờ vây với hiệu suất đỉnh cao, cũng như trong các ứng dụng y học và năng lượng.
Gần đây, Google DeepMind tuyên bố đã phát triển một thuật toán học máy có thể dự đoán thời tiết chính xác hơn các phương pháp dự báo hiện tại, đang sử dụng siêu máy tính.
GraphCast, mô hình AI dự báo thời tiết của Google DeepMind, dự báo thời tiết trong 10 ngày chính xác hơn hệ thống High Resolution Forecast (HRES), một tiêu chuẩn ngành lâu đời của Trung tâm Dự báo thời tiết trung hạn châu Âu (ECMWF). GraphCast đưa ra dự đoán tính bằng phút thay vì hàng giờ, vượt qua khả năng của HRES, vốn là hệ thống mô phỏng thời tiết tiêu chuẩn hiện nay.
Trong các kết quả thử nghiệm gần đây, DeepMind tuyên bố GraphCast vượt qua hiệu suất của Pangu-Weather (do Huawei phát triển) ở hầu hết kịch bản thử nghiệm, song Pangu-Weather vẫn dẫn đầu ở một số điểm chuẩn, chẳng hạn độ phân giải thời gian trong đó có khoảng cách thời gian nhỏ hơn giữa mỗi dự đoán.
GraphCast được đào tạo và vận hành trên chip 7 nanomet, trong khi Pangu-Weather sử dụng chip 12 nanomet. Chính phủ Mỹ đã áp đặt các lệnh trừng phạt nghiêm khắc để ngăn Huawei tiếp cận chip AI tiên tiến.
Việc dự báo thời tiết ngày nay dựa vào việc đưa dữ liệu vào các mô hình vật lý phức tạp và sử dụng siêu máy tính để chạy mô phỏng. Độ chính xác của những dự đoán này phụ thuộc vào các chi tiết trong các mô hình và tiêu tốn nhiều năng lượng cũng như tốn kém khi vận hành.
Các mô hình dự báo thời tiết bằng AI cần ít sức mạnh tính toán hơn và hoạt động nhanh hơn, chi phí rẻ hơn. Với GraphCast, các nhà nghiên cứu đã đào tạo bằng dữ liệu thời tiết trái đất toàn cầu trong 38 năm, từ 1979 đến 2017. Sau khi được đào tạo, GraphCast sẽ đưa ra các dự báo thời tiết toàn cầu 10 ngày tới trong vòng chưa đầy một phút.
GraphCast cũng có thể dự đoán các sự kiện thời tiết cực đoan, chẳng hạn như sóng nhiệt, đợt lạnh, bão nhiệt đới. Mô hình AI này cũng tính đến cả các yếu tố khác như tầng khí quyển, tầng đối lưu... Mô hình AI này dự đoán các biến số thời tiết tốt hơn ECMWF đến 99% trong 90% của 1.300 khu vực được thử nghiệm.
Tuy nhiên, các nhà nghiên cứu cho rằng GraphCast không hoàn hảo vì kết quả được tạo ra trong hộp đen, nghĩa là mô hình AI không thể giải thích cách nó đưa ra kết quả hoặc hiển thị diễn biến của thời tiết. Do đó, GraphCast được sử dụng để bổ sung chứ vẫn chưa thể thay thế các công cụ đã có.
Sự phức tạp của công tác dự báo thời tiết trung hạn (đoán xu hướng thời tiết trong 4 đến 10 ngày tới) từng đặt ra nhiều thách thức.
Những dự báo này rất quan trọng với lĩnh vực như nông nghiệp, xây dựng và du lịch, nhưng chúng đòi hỏi một lượng dữ liệu khổng lồ.
Để đạt được dự báo này, các cơ quan thời tiết như ECMWF dựa vào dự báo thời tiết bằng số (NWP), sử dụng dữ liệu hiện tại và lịch sử từ vệ tinh cùng trạm thời tiết, đồng thời tính toán kết quả dựa trên các quy tắc vật lý phức tạp.
Dù có độ tin cậy cao nhưng NWP được biết đến là gây hao tốn chi phí và tốn nhiều công sức tính toán.
Huawei đã có bước đột phá mới vào tháng 11.2022 với việc giới thiệu Pangu-Weather. Bằng cách sử dụng mạng thần kinh 3D, lần đầu tiên Pangu-Weather vượt trội hơn các phương pháp NWP truyền thống về độ chính xác.
Theo sát Huawei sau đó, DeepMind đã cải tiến mô hình GraphCast của mình. Theo thời gian và với những cải tiến liên tục, Google DeepMind đã giành lại vị trí dẫn đầu về độ chính xác.
Khi trình bày chi tiết những thành tựu của mình, DeepMind lưu ý tiêu chuẩn quan trọng do Huawei đặt ra.
“GraphCast đã vượt qua các hệ thống HRES truyền thống trong 90% trường hợp thử nghiệm trên 1.380 mục tiêu và áp đảo mô hình đối thủ hàng đầu Pangu-Weather trong 99.2% trên tổng số 252 mục tiêu mà nó trình bày vào tháng 7”, DeepMind cho hay.
Nguồn: 1thegioi.vn/
