AI thường dự đoán vật liệu sẽ làm gì: GraphED thử bước khó hơn — tự tìm phương trình mô tả hành vi của nó
Thay vì chỉ học một hàm dự đoán dạng “hộp đen”, GraphED biểu diễn các phương trình như đồ thị rồi tự tìm cấu trúc toán học phù hợp với dữ liệu thí nghiệm. Trong Science Advances, hệ thống tạo các mô hình constitutive cho thép hợp kim, lithium kim loại và cao su độn; nhưng những phương trình này vẫn là mô hình rút ra từ dữ liệu, không phải định luật vật lý cơ bản được AI tự chứng minh.
Một mô hình machine learning có thể học rằng một loại thép sẽ chịu ứng suất bao nhiêu khi bị kéo rất nhanh. Khó hơn nhiều là buộc nó trả lời bằng một phương trình đủ ngắn để kỹ sư đọc, kiểm tra và đưa vào phần mềm mô phỏng.
Một nhóm tại Eastern Institute of Technology (EIT), Ningbo đang thử làm chính việc đó. Trong nghiên cứu công bố ngày 11/9/2026 trên Science Advances, Hao Xu, Yuntian Chen và Dongxiao Zhang giới thiệu GraphED — một hệ thống tìm kiếm phương trình trực tiếp từ dữ liệu thí nghiệm về vật liệu rắn. Thay vì chỉ tối ưu các trọng số bên trong một mạng neural, GraphED thay đổi cả cấu trúc của công thức lẫn các hệ số vật liệu cho tới khi tìm được một biểu thức vừa gọn vừa khớp dữ liệu.
Nhóm đã áp dụng phương pháp này cho ba bài toán khác nhau: ảnh hưởng của tốc độ biến dạng và strain hardening trong thép hợp kim, biến dạng dẻo của lithium kim loại theo nhiệt độ và tốc độ biến dạng, cùng hành vi hyperelastic của cao su có chất độn. Kết quả là các phương trình tường minh có độ chính xác cao hơn những mô hình thực nghiệm được dùng làm đối chứng trong các bộ dữ liệu của nghiên cứu.
Tuy nhiên, gọi đây là AI “tự khám phá định luật vật lý” sẽ đi xa hơn dữ liệu cho phép. GraphED tìm constitutive laws — các quan hệ toán học mô tả cách một vật liệu cụ thể phản ứng với tải, biến dạng, nhiệt độ hay tốc độ biến dạng. Chúng rất quan trọng trong cơ học tính toán, nhưng không cùng cấp với những định luật cơ bản như bảo toàn năng lượng hay phương trình chuyển động Newton.
Vấn đề của một AI chỉ biết dự đoán
Nhiều mô hình AI trong khoa học vật liệu có thể dự đoán tốt nhưng khó chuyển kết quả thành kiến thức mà con người có thể thao tác trực tiếp. Một mạng neural có thể nhận thành phần vật liệu và điều kiện tải rồi trả về ứng suất, nhưng quan hệ đó được phân bố qua hàng nghìn hoặc hàng triệu tham số.
Trong mô phỏng cơ học, điều này tạo ra một khác biệt thực tế. Các solver phần tử hữu hạn thường cần một mô hình constitutive để tính ứng suất từ biến dạng và các biến trạng thái ở từng bước tính toán. Những mô hình kinh điển như Johnson–Cook có dạng phương trình rõ ràng: kỹ sư có thể hiệu chỉnh các hệ số, xem từng biến ảnh hưởng ra sao và triển khai mô hình trong code.
Nhược điểm là dạng phương trình thường được con người chọn trước. Nhà nghiên cứu dựa trên trực giác vật lý để quyết định nên dùng lũy thừa, logarithm hay exponential, sau đó mới fit các hệ số vào dữ liệu. Nếu cấu trúc được chọn ban đầu không đủ linh hoạt, hiệu chỉnh tham số tốt đến đâu cũng không sửa được giới hạn đó.
GraphED đảo thứ tự này: thay vì chọn công thức trước rồi tìm hệ số, hệ thống tìm cả hai.
GraphED biến một phương trình thành đồ thị
Để máy tính có thể “tiến hóa” một phương trình, trước hết phương trình phải được mã hóa thành một cấu trúc có thể sửa đổi. Symbolic regression truyền thống thường biểu diễn biểu thức dưới dạng cây. GraphED chuyển sang đồ thị có hướng.
Trong đồ thị này, các node có thể là biến vật lý hoặc phép toán như cộng, nhân, lũy thừa, logarithm hay exponential. Các edge nối chúng lại thành cấu trúc tính toán. Quan trọng hơn, edge cũng có thể mang những hệ số chưa biết — chẳng hạn một tham số riêng cho từng loại thép.
Cách biểu diễn đó cho phép hệ thống giữ một cấu trúc phương trình chung cho nhiều vật liệu nhưng đồng thời fit các hệ số khác nhau cho từng trường hợp. Đây là điểm cần thiết nếu mục tiêu không phải tìm 40 công thức riêng cho 40 loại thép, mà tìm một dạng quan hệ chung có thể hiệu chỉnh cho mỗi vật liệu.
Quá trình tìm kiếm mang tính tiến hóa. GraphED tạo một quần thể phương trình ứng viên, đánh giá mức khớp dữ liệu, giữ lại cấu trúc tốt, sau đó thực hiện các thao tác tương tự crossover và mutation để sinh phương trình mới. Với mỗi cấu trúc, các hệ số chưa biết được tối ưu số học; paper cho biết nhóm sử dụng thuật toán L-BFGS và chiến lược nhiều điểm khởi tạo để giảm nguy cơ mắc kẹt ở một nghiệm xấu.
Nói cách khác, hệ thống không “nghĩ ra công thức” theo cách một LLM viết văn bản. Nó thực hiện một quá trình tìm kiếm có ràng buộc trong không gian các biểu thức toán học mà nhà nghiên cứu đã cho phép.
408 bộ dữ liệu cho bài toán tốc độ biến dạng của thép
Một thử nghiệm của nhóm tập trung vào dynamic increase factor (DIF), đại lượng mô tả độ bền của vật liệu thay đổi thế nào khi tốc độ biến dạng tăng. Họ tổng hợp 408 nhóm dữ liệu strain rate–DIF của 40 vật liệu từ các nghiên cứu đã công bố, chủ yếu là thép hợp kim. Tốc độ biến dạng trải từ 10−4 tới 104, tức bao phủ tám bậc độ lớn.
GraphED được phép dùng các phép cộng, nhân, exponential, lũy thừa và logarithm, còn số tham số riêng cho vật liệu bị giới hạn tối đa hai. Phương trình được chọn đạt mean squared error 6,9 × 10−4 và R2 = 0,980 trên tập dữ liệu của nghiên cứu. Mô hình đối chứng tốt nhất trong nhóm các công thức Cowper–Symonds, Johnson–Cook, Huh & Kang và Rule & Jones là Huh & Kang, với MSE 1,2 × 10−3.
Điểm đáng chú ý không chỉ là chênh lệch lỗi. Cả mô hình GraphED và một số công thức đối chứng đều chỉ có vài tham số; lợi thế đến từ việc cấu trúc toán học cũng được tìm từ dữ liệu thay vì cố định trước.
Khi nhóm kết hợp quan hệ tốc độ biến dạng với một phương trình strain-hardening cũng do GraphED tìm ra và kiểm tra trên dữ liệu của 10 vật liệu, mô hình hoàn chỉnh đạt MSE 646,4 và R2 = 0,974. Johnson–Cook trong cùng phép so sánh đạt MSE 1.108,9 và R2 = 0,955.
Lithium cho thấy vì sao một công thức đọc được có giá trị
Lithium kim loại là một trường hợp khó hơn vì biến dạng của nó nhạy với cả nhiệt độ lẫn tốc độ biến dạng. Các mô hình cơ học cho lithium có ý nghĩa trong việc mô phỏng pin lithium-metal, nơi biến dạng cơ học của điện cực có thể tương tác với quá trình điện hóa.
Nhóm dùng GraphED để tìm các quan hệ cho plastic flow của lithium từ dữ liệu thực nghiệm ở nhiều nhiệt độ và tốc độ biến dạng. Với tập dữ liệu thay đổi strain rate ở 273 K, paper sử dụng bốn tốc độ từ 4 × 10−5 đến 2 × 10−2 s−1, tổng cộng 199 điểm dữ liệu. Hệ thống tạo ra một biểu thức tường minh trong đó độ nhạy với ứng suất thay đổi cùng logarithm của strain rate, thay vì giữ ảnh hưởng tốc độ ở một dạng được quy định trước.
Đây là kiểu kết quả khó lấy ra từ một mô hình hộp đen: nhà nghiên cứu không chỉ có dự đoán, mà còn có thể nhìn vào cấu trúc công thức và đặt câu hỏi liệu mối liên hệ toán học đó có gợi ý một cơ chế vật lý thực sự hay chỉ là cách fit dữ liệu hiệu quả.
Chính câu hỏi thứ hai rất quan trọng. Một phương trình có khả năng dự đoán tốt chưa tự động trở thành lời giải thích cơ chế. Cấu trúc mà GraphED tìm thấy cần được đối chiếu với vật lý vật liệu, thí nghiệm mới và dữ liệu ngoài miền huấn luyện trước khi có thể coi nó là một quan hệ có ý nghĩa vật lý sâu hơn.
“Tự viết phương trình” vẫn có nhiều phần do con người quyết định
GraphED không bắt đầu từ trang giấy trắng. Nhà nghiên cứu chọn biến đầu vào, chọn những toán tử mà hệ thống được phép sử dụng, giới hạn độ phức tạp và số tham số, đồng thời quyết định tiêu chí đánh giá. Dữ liệu đầu vào trong các case study cũng được tổng hợp từ các thí nghiệm đã có, chứ hệ thống không tự thiết kế hay thực hiện thí nghiệm.
Đây không phải nhược điểm bất thường; nó là bản chất của equation discovery hiện nay. Việc giới hạn không gian tìm kiếm vừa khiến bài toán khả thi về tính toán vừa đưa kiến thức chuyên môn của con người vào hệ thống. Nhưng nó cũng có nghĩa là một dạng phương trình nằm ngoài bộ toán tử được cho phép có thể không bao giờ được tìm thấy.
Một giới hạn khác là các kết quả mới được nhóm tác giả kiểm tra trên những bộ dữ liệu và bài toán họ lựa chọn. Dù paper đã qua bình duyệt, chưa có bằng chứng trong nghiên cứu này rằng GraphED sẽ tự động tìm ra mô hình tốt cho mọi loại vật liệu, hay các công thức thu được sẽ luôn extrapolate an toàn tới điều kiện tải chưa từng xuất hiện trong dữ liệu.
Từ “AI dự đoán” sang “AI để lại một công thức”
Ý nghĩa thực tế của GraphED nằm ở đầu ra. Một neural network tốt có thể là bộ dự đoán hữu ích; một phương trình tốt còn có thể trở thành một thành phần của mô hình cơ học, được kiểm tra bằng phân tích chiều, so sánh với lý thuyết hiện có, hiệu chỉnh bằng dữ liệu mới và triển khai trực tiếp trong solver.
Đó cũng là ranh giới cần giữ khi nói về công trình này. GraphED chưa chứng minh rằng AI có thể tự phát hiện vật lý cơ bản từ dữ liệu thô mà không cần con người. Nó cho thấy một điều hẹp hơn nhưng hữu ích: với dữ liệu đa nguồn và một không gian biểu thức được thiết kế trước, thuật toán có thể tìm những constitutive equations ngắn, đọc được và trong các thử nghiệm của nhóm, chính xác hơn một số công thức thực nghiệm quen thuộc.
Bước tiếp theo đáng quan tâm sẽ không chỉ là thêm nhiều vật liệu. Các phương trình GraphED cần được kiểm tra trên dữ liệu độc lập, trong các bài toán phần tử hữu hạn thực tế và ở những vùng nhiệt độ, tốc độ biến dạng hoặc thành phần nằm ngoài tập dùng để tìm công thức. Nếu vẫn giữ được độ chính xác và ổn định ở đó, “AI viết phương trình” mới thực sự trở thành một công cụ kỹ thuật chứ không chỉ là một cách fit dữ liệu dễ đọc hơn.
Nguồn: Science Advances — Beyond empirical models: Discovering constitutive laws in solids with graph-based equation discovery; bản preprint trên arXiv; Eastern Institute of Technology / EurekAlert; mã và dữ liệu được nhóm tác giả lưu trên Zenodo.
