Mới đây, các kỹ sư tại đại Đại học Colorado (CU) Boulder đã đạt bước tiến lớn trong việc kết hợp các giả lập phức tạp trên máy tính với trí tuệ nhân tạo, hòng để dự đoán tình trạng tương lai của các linh kiện điện tử. Họ đã có thể đo đếm được tuổi thọ các linh kiện như bóng bán dẫn trong điện thoại và máy tính.
Nghiên cứu mới này được dẫn đầu bởi nhà vật lý học và kỹ sư hàng không vũ trụ Sanghamitra Neogi và Artem Pimacheve, một cộng sự của cô tại CU Boulder, được đăng tuần này bởi tạp chí npj Computational Materials.
Trong nghiên cứu mới nhất này, Neogi và các đồng nghiệp đã hệ thống hóa các quy luật vật lý của các khối nguyên tử, sau đó sử dụng các kỹ thuật machine learning để dự đoán hành vi của các cấu trúc lớn hơn cấu thành từ các khối nhỏ đó. Việc này giống như quan sát các mảnh ghép Lego nhỏ để dự đoán độ bền của mô hình làm từ chúng.
Kết quả đến từ nghiên cứu này có thể đem lại lợi ích lớn cho các thiết bị điện tử thiết yếu trong cuộc sống, từ smartphone đến xe điện, thậm chí là các máy tính lượng tử của tương lai. Neogi mong rằng một ngày không xa, các kỹ sư có thể ứng dụng kỹ thuật mà nhóm của cô phát triển để phát hiện các điểm yếu của các linh kiện điện tử.
Dự án này là một phần của đề tài nghiên cứu thế giới vi mô của Neogi. Mục tiêu của cô là giúp con người chế tạo các máy tính có hiệu năng cao hơn - thậm chí những máy tính mô phỏng não bộ con người.
Ảnh minh họa
“Thay vì đợi tới khi thiết bị hư hỏng sau nhiều năm mới biết nguyên do, phương pháp này có thể cho chúng ta biết trước cách mà thiết bị vận hành trước khi tạo ra chúng.”
Cũng theo Sanghamitra Neogi, phần lớn công cụ xử lý điện toán hiện đại có nhiều khuyết điểm, những lỗi nhỏ trong linh kiện khiến nhiệt độ tích tụ ở một số điểm gây hao hụt hiệu năng, giống như khi xe mất tốc độ hoặc người đi xe đi qua địa hình xấu. Vấn đề là ở chỗ khi các kỹ sư thiết kế sử dụng mô hình hay giả lập kỹ thuật số, họ gặp khó khăn với việc dự đoán ở những điểm nào thì hiện tượng này dễ xảy ra.
“Chúng ta có thể sử dụng các mô hình vật lý để dự đoán các hệ quy chiếu với khoảng 100 nguyên tử. Nhưng như vậy là quá ít so với hàng tỉ nguyên tử trên các thiết bị. Trí tuệ nhân tạo machine learning có thể giúp các kỹ sư thiết kế các thiết bị hiệu quả hơn", Neogi nói.
Với các linh kiện điện tử, mảnh ghép Lego tạo nên chúng là những nhóm 16 nguyên tử Silicon (Si) và Germanium (Ge). Trong nghiên cứu này, Neogi và các đồng nghiệp sử dụng một mô phỏng máy tính sử dụng trí tuệ nhân tạo để tìm hiểu thuộc tính vật lý của các mảnh ghép nói trên. Chương trình sẽ thu thập thông tin từ các đơn vị nhỏ và kết hợp chúng để dự đoán thuộc tính của cả hệ thống, thường bao gồm 2, 3 hoặc nhiều đơn vị.
Theo Neogi, nhóm vẫn còn chặng đường dài phía trước cho tới khi có thể xác định mọi điểm yếu khả thi. Hiện tại, phương pháp này tỏ ra khá hiệu quả. Nhóm đã áp dụng để dự đoán chính xác thuộc tính của một số vật liệu thực tế làm từ silicon và germanium. Neogi cũng cho rằng kiến thức về cách nhiệt độ và năng lượng phân bố ở mức độ vi mô sẽ giúp không chỉ cải thiện thiết bị hiện nay mà còn góp phần tạo ra các thiết bị tương lai.
Thiên Trường
