LG AI Research ra mắt MCFlow: Mô hình đơn nhất giải quyết ba bài toán thiết kế tinh thể

Generative AI đang nhanh chóng mở rộng từ văn bản và hình ảnh sang lĩnh vực thiết kế các phân tử và vật liệu vô cơ mới. Độ ổn định và các đặc tính vật lý của vật liệu vô cơ, vốn được sử dụng trong pin, chất xúc tác, chất bán dẫn và các ứng dụng khác, thay đổi đáng kể tùy thuộc vào thành phần nguyên tố và cấu trúc tinh thể nơi các nguyên tử được sắp xếp. Do đó, để phát triển các vật liệu có đặc tính mong muốn, việc đồng thời khám phá các tổ hợp nguyên tố và cấu trúc tinh thể phù hợp là vô cùng quan trọng.

Tuy nhiên, số lượng các thành phần và cách sắp xếp nguyên tử có thể xảy ra là rất lớn. Rất khó để khám phá toàn bộ không gian tìm kiếm rộng lớn này chỉ bằng phương pháp truyền thống, trong đó các nhà nghiên cứu thiết kế từng ứng viên một rồi xác thực chúng thông qua mô phỏng và thực nghiệm. Đặc biệt, việc khám phá cấu trúc tinh thể truyền thống có hạn chế là chi phí tính toán cao do cần thực hiện các phép tính năng lượng lặp đi lặp lại [1–4]. Do đó, AI tạo vật liệu (material-generation AI), vốn học từ lượng dữ liệu vật liệu khổng lồ để đề xuất các thành phần và cấu trúc đầy hứa hẹn, đang thu hút sự chú ý như một phương pháp khám phá mới [5].

Gần đây, nhiều mô hình tạo tinh thể khác nhau đã được phát triển để đề xuất các ứng viên vật liệu mới dựa trên dữ liệu tinh thể đã học. Các mô hình như CDVAE, DiffCSP, MatterGen, FlowMM và CrystalFlow đã sử dụng các mô hình khuếch tán (diffusion models) hoặc mô hình tạo dựa trên dòng chảy (flow-based generative models) để dự đoán cấu trúc tinh thể và tạo ra vật liệu mới [6–10]. Tuy nhiên, các mô hình hiện có thường được thiết kế để một mô hình chỉ thực hiện một tác vụ tạo duy nhất. Nói cách khác, các mô hình tạo cấu trúc tinh thể từ thành phần và các mô hình tạo cả thành phần lẫn cấu trúc từ đầu (from scratch) vẫn tồn tại như những mô hình riêng biệt.

Để giải quyết những hạn chế này, LG AI Research đã phát triển Multimodal Crystal Flow (MCFlow), một mô hình có khả năng thực hiện không chỉ việc tạo cấu trúc dựa trên thành phần truyền thống và tạo thành phần-cấu trúc mới, mà còn tạo ra các loại nguyên tử phù hợp cho một cấu trúc tinh thể nhất định, tất cả trong một mô hình duy nhất. Điều này cho phép mô hình thực hiện các phương pháp khám phá mới mà AI tạo tinh thể hiện tại không thể xử lý được, trong một mô hình tích hợp duy nhất. Nghiên cứu này đã được chấp nhận tại ICML 2026, một hội nghị về học máy nổi tiếng thế giới.

1. Những thách thức thực tế và cảm hứng nghiên cứu

Cho đến nay, nghiên cứu về AI trong tạo vật liệu đã phát triển theo hai hướng chính: thiết kế vật liệu mới dựa trên các đặc tính vật lý mục tiêu [8,12] và xác định cấu trúc tinh thể phù hợp cho một thành phần nguyên tố nhất định [7,9,10]. Tuy nhiên, các tác vụ này đã được xử lý như những bài toán độc lập và các mô hình giải quyết từng tác vụ thường được phát triển riêng biệt. Khi các điều kiện đầu vào hoặc mục tiêu tìm kiếm của nhà nghiên cứu thay đổi, họ phải huấn luyện một mô hình mới hoặc kết hợp nhiều mô hình lại với nhau.

Ngược lại, các phương pháp khám phá cần thiết trong phát triển vật liệu thực tế đa dạng hơn nhiều. Trong khi giai đoạn nghiên cứu ban đầu có thể bao gồm việc khám phá các thành phần và cấu trúc hoàn toàn mới, thì khi tiến gần đến thương mại hóa, một phương pháp thường được sử dụng là giữ lại cấu trúc cơ bản của vật liệu đã được kiểm chứng về hiệu suất và khả năng sản xuất, sau đó cải thiện hiệu suất bằng cách thay thế hoặc pha tạp (doping) một số nguyên tố nhất định. Các ví dụ điển hình bao gồm việc thay thế một kim loại chuyển tiếp cụ thể trong vật liệu cực dương của pin bằng một nguyên tố khác hoặc thay đổi nguyên tố nằm tại vị trí hoạt động (active site) của chất xúc tác.

Tuy nhiên, các mô hình tạo tinh thể hiện có vẫn chưa giải quyết thỏa đáng thách thức chính là tạo ra các loại nguyên tử mới phù hợp cho một cấu trúc nhất định. LG AI Research đã nhận ra khoảng cách này giữa nghiên cứu và công nghiệp. “Liệu một mô hình duy nhất có thể xử lý các bài toán tạo cấu trúc từ thành phần, tạo cả thành phần và cấu trúc từ đầu, và đề xuất các thành phần nguyên tử mới dựa trên một cấu trúc nhất định hay không?” Nghiên cứu này bắt đầu từ câu hỏi đó.

2. Nghiên cứu của LG AI Research

[Mô hình tạo quyết định tích hợp được hoàn thiện thông qua các góc nhìn và chiến lược học tập mới]

Ý tưởng chính đầu tiên đằng sau MCFlow là xem các loại nguyên tử và thông tin cấu trúc tạo nên một vật liệu tinh thể như các phương thức (modalities) riêng biệt (Hình 1). Phương pháp áp dụng các quy trình tạo độc lập cho các phương thức khác nhau đã được đề xuất trong nghiên cứu tạo đa phương thức (multimodal generation) nhằm xử lý các thông tin không đồng nhất, chẳng hạn như trình tự và cấu trúc protein, hình ảnh và văn bản, trong một mô hình duy nhất [13,14]. MCFlow mở rộng góc nhìn này sang bài toán tạo tinh thể, định nghĩa loại nguyên tử và cấu trúc tinh thể là thông tin có thể được tạo và kiểm soát độc lập. Việc coi loại nguyên tử và cấu trúc là các phương thức riêng biệt trong tạo tinh thể là một cách tiếp cận mới lạ được đề xuất trong nghiên cứu này, đóng vai trò là nền tảng để xử lý nhiều tổ hợp đầu vào và đầu ra khác nhau trong một mô hình duy nhất.

Hình 1. MCFlow huấn luyện trên các loại nguyên tử và cấu trúc như những thông tin độc lập với nhau. Mô hình huấn luyện một mô hình dòng chảy (flow model) duy nhất cho đa phương thức bằng cách định nghĩa biến thời gian t cho các loại nguyên tử và biến thời gian s cho cấu trúc. Sau đó, bằng cách chọn đường dẫn cần theo trong không gian (t, s), một mô hình duy nhất có thể thực hiện dự đoán cấu trúc tinh thể, tạo loại nguyên tử và tạo tinh thể mới.

MCFlow gán các dòng thời gian tạo độc lập cho từng loại nguyên tử và cấu trúc. Bằng cách kiểm soát phương thức nào được giữ lại và phương thức nào được tạo mới, một mô hình duy nhất có thể thực hiện dự đoán cấu trúc tinh thể (tạo cấu trúc khi có thành phần), tạo mới hoàn toàn (de novo generation - tạo cả loại nguyên tử và cấu trúc từ đầu), và tạo loại nguyên tử (tạo các loại nguyên tử phù hợp cho từng vị trí khi có cấu trúc). Nói cách khác, thay vì phát triển các mô hình riêng biệt cho từng tác vụ, nó giải quyết nhiều bài toán tạo tinh thể khác nhau bằng cách sử dụng một mô hình tích hợp duy nhất thông qua việc thay đổi các đường dẫn suy luận.

Ý tưởng chính thứ hai là một phương pháp tăng cường dữ liệu (data augmentation) mới để học hiệu quả tính đối xứng của tinh thể. Trong các nghiên cứu trước đây về tạo tinh thể, thông tin tinh thể học như nhóm không gian (space groups) hoặc vị trí Wyckoff (Wyckoff positions) đã được sử dụng trực tiếp làm điều kiện tạo hoặc khuôn mẫu cấu trúc để phản ánh tính đối xứng [15,16]. Ngược lại, thay vì nhập rõ ràng thông tin đối xứng vào mô hình hoặc ép buộc các cấu trúc cụ thể, MCFlow đã đưa vào một độ chệch học tập (learning bias) hướng tới tính đối xứng thông qua cách sắp xếp dữ liệu và các phương pháp tăng cường.

Ngay cả khi hai cấu trúc giống hệt nhau về mặt vật lý, chúng vẫn có thể được biểu diễn dưới dạng dữ liệu khác nhau tùy thuộc vào thứ tự ghi lại các nguyên tử. Theo đó, nhóm nghiên cứu đã đề xuất “tăng cường hoán vị phân cấp” (hierarchical permutation augmentation), sắp xếp các nguyên tử dựa trên độ âm điện và vị trí Wyckoff của chúng (đại diện cho vị trí tinh thể học), và huấn luyện mô hình bằng cách sắp xếp lại thứ tự các nguyên tử tương đương về mặt tinh thể học theo phân cấp. Cách tiếp cận này cho phép mô hình học hiệu quả các mối quan hệ tinh thể học vốn có trong thành phần và cách sắp xếp nguyên tử mà không cần áp đặt trực tiếp tính đối xứng lên cấu trúc mô hình.

Dựa trên hai ý tưởng kỹ thuật này, MCFlow đã tích hợp nhiều tác vụ tạo tinh thể vào một mô hình duy nhất trong khi vẫn thể hiện hiệu suất cạnh tranh với các mô hình hiện có chuyên biệt cho từng tác vụ. Hơn nữa, nó đã xếp hạng hai toàn cầu trên bảng xếp hạng tổng thể của LeMat-GenBench, nơi đánh giá toàn diện về tính hợp lệ của cấu trúc, tính mới, tính độc đáo và độ ổn định năng lượng, qua đó chứng minh chất lượng tạo của mô hình tích hợp [17].

Nhóm nghiên cứu tin rằng hiệu suất này có khả năng là do chiến lược trong đó các loại nguyên tử và cấu trúc được huấn luyện riêng biệt như các phương thức khác biệt. Sau khi học độc lập các loại nguyên tử và cách sắp xếp không gian, rồi thiết lập mối quan hệ giữa hai yếu tố này, mô hình có thể đã học hiệu quả hơn khoảng cách giữa các nguyên tử và các tương tác chịu ảnh hưởng bởi các nguyên tử lân cận. Người ta cho rằng hiệu ứng học tập này, vốn không bị thiên vị đối với bất kỳ tác vụ cụ thể nào, đã góp phần vào hiệu suất cạnh tranh nhất quán của mô hình trên nhiều bài toán tạo tinh thể khác nhau.

Đặc biệt, phương pháp tạo loại nguyên tử mới được MCFlow đề xuất bao gồm việc tạo ra các loại nguyên tử phù hợp cho từng vị trí trong một cấu trúc tinh thể nhất định. Bằng cách sử dụng phương pháp này, có thể thực hiện “thay thế nguyên tử” (atom substitution), trong đó chỉ một số nguyên tử trong cấu trúc tinh thể hiện có bị che khuất (masked), và các nguyên tố mới được đề xuất để lấp đầy các vị trí đó.

Tính năng này gắn liền với việc phát triển vật liệu thực tế ở chỗ, thay vì tạo ra một cấu trúc hoàn toàn mới từ đầu, nó cho phép sửa đổi chỉ một số nguyên tố nhất định trong khi vẫn bảo toàn cấu trúc của các vật liệu đã được kiểm chứng về hiệu suất hoặc khả năng tổng hợp. Ví dụ, nó có thể được áp dụng cho các bài toán như thay thế một kim loại chuyển tiếp cụ thể trong vật liệu cực dương của pin bằng một nguyên tố khác hoặc sửa đổi các nguyên tố tại các vị trí hoạt động của chất xúc tác.

Nghiên cứu này vượt xa việc chỉ đơn thuần kết hợp các tác vụ tạo hiện có. Nó đề xuất một góc nhìn mới coi các loại nguyên tử và cấu trúc là các phương thức độc lập, cùng với chiến lược tăng cường để học hiệu quả tính đối xứng của tinh thể, và dựa trên đó, thực hiện nhiều tác vụ tạo trong một mô hình duy nhất. Hơn nữa, nghiên cứu này có ý nghĩa ở chỗ đã mở rộng phạm vi của AI tạo sang các bài toán thay thế nguyên tố, vốn có khả năng ứng dụng cao trong phát triển vật liệu thực tế.

[Biến kết quả nghiên cứu thành công cụ thực tiễn cho khám phá vật liệu]

LG AI Research đã phát triển một trang demo dựa trên LLM để các nhà nghiên cứu có thể sử dụng kết quả nghiên cứu của MCFlow (Hình 2). Người dùng có thể nhập các điều kiện tạo vật liệu mong muốn bằng ngôn ngữ tự nhiên mà không cần phải xử lý các cấu hình mô hình phức tạp hoặc các định dạng đầu vào chuyên biệt. Hệ thống diễn giải các đầu vào này và thực hiện tác vụ phù hợp từ các lựa chọn: tạo mới hoàn toàn, dự đoán cấu trúc tinh thể, tạo loại nguyên tử và thay thế nguyên tử. Các kết quả được tạo có thể được xem dưới dạng cấu trúc tinh thể 3D cùng với thông tin thành phần và mạng tinh thể, đồng thời có thể được lưu dưới dạng tệp cấu trúc, cho phép ngay cả những người dùng không quen với các mô hình tạo vật liệu vô cơ cũng có thể dễ dàng biến ý tưởng nghiên cứu của họ thành các ứng viên vật liệu cụ thể.

Trang demo cũng đã được giới thiệu tới các đơn vị trực thuộc LG. Trong số các tính năng khác nhau, họ đặc biệt quan tâm đến khả năng sửa đổi một số nguyên tố nhất định trong khi vẫn bảo toàn cấu trúc của vật liệu hiện có, và đã có những đề xuất chuẩn bị kế hoạch chứng minh khái niệm (PoC) để áp dụng nó vào các dự án phát triển vật liệu thực tế.

Tại hội nghị ICML 2026, một số công ty và nhà nghiên cứu—bao gồm Entalpic, nhà phát triển của LeMat-GenBench, và công ty AI vật liệu CuspAI—đã bày tỏ sự quan tâm đến MCFlow. Đặc biệt, tính năng thay thế nguyên tố, vốn hiếm thấy trong các mô hình tạo tinh thể hiện có, đã được khen ngợi vì thể hiện một lĩnh vực ứng dụng mới cho AI tạo vật liệu.

Việc các đại diện từ các công ty liên kết và cộng đồng AI vật liệu toàn cầu đều bày tỏ sự quan tâm đến tính năng này là rất có ý nghĩa. Để AI tạo vật liệu được áp dụng trong môi trường công nghiệp, nó không chỉ phải tạo ra một số lượng lớn các ứng viên mới mà còn phải có khả năng đề xuất các ứng viên đầy hứa hẹn trong một không gian tìm kiếm hạn chế, đồng thời bảo toàn các vật liệu hiện có và kiến thức của các nhà nghiên cứu. Phản hồi này chứng minh rằng MCFlow có tiềm năng được áp dụng trong các quy trình phát triển vật liệu thực tế.

Hình 2. Trang demo tạo vật liệu dựa trên ngôn ngữ tự nhiên

3. Kế hoạch tương lai của LG AI Research

[Hướng tới AI tạo nội dung dễ sử dụng và được ứng dụng rộng rãi hơn]

LG AI Research dự định bắt đầu bằng việc làm cho trang demo dựa trên LLM hiện tại trở nên thân thiện hơn với người dùng. Chúng tôi đặt mục tiêu cải thiện khả năng sử dụng để người dùng có thể chọn các tác vụ tạo phù hợp và thiết lập các điều kiện chỉ bằng các yêu cầu ngôn ngữ tự nhiên, đồng thời dần dần nâng cao các tính năng để so sánh và phân tích các cấu trúc được tạo, quản lý các ứng viên và liên kết với các mô phỏng tiếp theo. Thông qua những nỗ lực này, chúng tôi dự định tạo ra một môi trường nơi ngay cả những nhà nghiên cứu không quen với AI tạo vật liệu cũng có thể dễ dàng khám phá các ứng viên phù hợp với mục tiêu nghiên cứu của họ.

Về mặt mô hình, chúng tôi dự định tiến hành nghiên cứu bổ sung các đặc tính vật lý như một phương thức mới, bên cạnh các loại nguyên tử và cấu trúc. Trong khi MCFlow hiện đã học được nhiều mối quan hệ tạo khác nhau giữa thành phần và cấu trúc, chúng tôi có thể mở rộng khả năng của nó trong tương lai để tạo ra các vật liệu mong muốn dựa trên các đặc tính mục tiêu hoặc suy luận các đặc tính từ thành phần và cấu trúc đã cho. Thông qua đó, chúng tôi đặt mục tiêu phát triển mô hình thành một mô hình tích hợp vượt xa việc chỉ đơn thuần tạo ra vật liệu mới, mà còn đề xuất các ứng viên phản ánh hiệu suất và các điều kiện do nhà nghiên cứu chỉ định.

Ngoài việc thay thế nguyên tử, chúng tôi dự định liên tục xác định các thách thức ứng dụng mới có thể sử dụng các mô hình tạo. Chúng tôi dự định định nghĩa các bài toán cần thiết trong quy trình phát triển vật liệu thực tế như xác định các khuyết tật và vị trí pha tạp, sửa đổi các cấu trúc con, và tạo có điều kiện (conditional generation) giúp bảo toàn các nguyên tố hoặc cấu trúc cụ thể như các tác vụ cho AI tạo, từ đó mở rộng phạm vi ứng dụng mà một mô hình duy nhất có thể hỗ trợ.

Về lâu dài, chúng tôi đặt mục tiêu mở rộng phương pháp tạo tích hợp của MCFlow từ vật liệu tinh thể vô cơ sang cả vật liệu hữu cơ. Mặc dù các phân tử, polymer và tinh thể hữu cơ khác với vật liệu vô cơ về mặt biểu diễn cấu trúc và đặc điểm liên kết, phương pháp của MCFlow—vốn định nghĩa và liên kết các thành phần, cấu trúc và đặc tính vật lý như các phương thức riêng biệt—có thể được áp dụng rộng rãi. Cuối cùng, mục tiêu của chúng tôi là phát triển một AI tạo tích hợp bao gồm cả vật liệu vô cơ và hữu cơ, có khả năng giải quyết linh hoạt nhiều nhu cầu phát triển vật liệu khác nhau.